隐私问题至关重要：数据攻击导致用户偏好在推荐系统中无法被重新学习（即用户偏好被永久改变）

《ACM Transactions on Information Systems》：Privacy Matters: Data Attack to Make User Preferences Unlearnable in Recommendation

推荐系统隐私保护方法ULRec研究，提出伪造交互数据双层次优化框架，在用户隐私与推荐准确间取得平衡，实验验证其有效性。

　　

摘要AI 摘要

要查看此由 AI 生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

推荐系统（RS）已被广泛采用，以根据用户的历史行为提供个性化建议。然而，一些用户不愿意让推荐系统了解他们的偏好，因为这会牺牲他们的隐私信息。因此，这些用户更愿意向推荐系统隐藏自己的偏好。在本文中，我们考虑了这个实际且重要的问题：关心隐私的用户是否可以让推荐系统无法了解他们的偏好？挑战在于在遵守现实世界限制的同时实现这一目标。普通用户仍然期望获得准确的推荐，而解决方案应该针对关心隐私的用户。此外，由于大多数公司不允许用户删除他们的隐式反馈，因此解决方案不能依赖于数据删除。为此，我们从伪造交互生成的角度提出了一种新颖的方法 ULRec，该方法可以使关心隐私的用户的偏好对个性化推荐算法变得“不可获取”。首先，我们根据实际考虑因素制定了数据攻击的约束条件。然后，我们定义了一个双层优化过程，外层循环更新数据添加，内层循环动态更新推荐系统参数。之后，我们提出了一个损失函数，该函数同时考虑了关心隐私的用户和普通用户的请求。为了确保可行范围和模型效率，我们采用了投影梯度下降和自动微分。最后，在三个真实世界数据集上的广泛实验证明了我们提出的 ULRec 的有效性。

AI 摘要

AI 生成的摘要（实验性）

此摘要是使用自动化工具生成的，并非由文章作者编写或审核的。它旨在帮助发现、帮助读者评估相关性，并协助来自相关研究领域的读者理解本文的工作。它旨在补充作者提供的摘要，后者仍然是文章的官方摘要。完整文章是记录的权威版本。点击此处了解更多。

点击 此处 对此摘要的准确性、清晰度和实用性进行评论。这样做将有助于改进和未来重新生成的版本。

要查看此由 AI 生成的通俗语言摘要，您必须具有高级访问权限。