推荐系统与隐私保护研究综述

作者：刘生昊; 吴国洋; 邓贤君^*; 张雨; 鲁宏伟; 何媛媛; 杨天若

来源：华中科技大学学报(自然科学版)科技大学, 2023, 51(02): 1-9.

DOI：10.13245/j.hust.230218

• 推荐系统
• 隐私保护
• 数据挖掘
• 深度学习
• 联邦学习

推荐系统为了能够给用户提供更好的推荐服务，须要收集大量的用户个人信息，在收集这些信息的同时增加了用户隐私泄露的风险．首先，介绍了推荐系统中的关键技术，包括基于协同关系的实体表示学习和基于图模型的实体表示学习；然后，通过对相关研究的归纳和总结，将推荐系统中的隐私保护问题按照用户敏感信息类型进行分类整理，主要分为对用户私有敏感属性的保护、对用户与物品历史交互信息的保护和对用户提交给推荐系统的信息的保护三类；在此基础上，对匿名化、差分隐私、联邦学习和对抗学习四种关键隐私保护技术进行了总结和分析，并重点梳理了这些技术的实现方法、适用场景和优缺点；最后，分析了考虑隐私保护的推荐算法中存在的问题，并尝试给出了未来可能的研究方向．

• 单位
  华中科技大学