D2P:Distance-Based Differential Privacy in Recommenders

推荐系统中基于距离的差分隐私保护。

这篇文章来自VLDB2015点击打开链接

差分隐私是Dwork在2006年针对统计数据库的隐私泄露问题提出的一种新的隐私定义 ． 在此定义下，对数据集的计算处理结果对于具体某个记录的变化是不敏感的，单个记录在

数据集中或者不在数据集中，对计算结果的影响微乎其微．所以，一个记录因其加入到数据集中所产生的隐私泄露风险被控制在极小的、可接受的范围内，攻击者无法通过观察计

算结果而获取准确的个体信息． 差分隐私能够解决传统隐私保护模型的两个缺陷．首先，差分隐私保护模型假设攻击者能够获得除目标记录外所有其它记录的信息，这些信息的总

和可以理解为攻击者所能掌握的最大背景知识．在这一最大背景知识假设下，差分隐私保护无需考虑攻击者所拥有的任何可能的背景知识，因为这些背景知识不可能提供比最大背

景知识更丰富的信息．

其次，它建立在坚实的数学基础之上，对隐私保护进行了严格的定义并提供了量化评估方法，使得不同参数处理下的数据集所提供的隐私保护水平具有可比较性．因此，差分隐私

理论迅速被业界认可，并逐渐成为隐私保护领域的一个研究热点．近几年来，差分隐私和其它领域研究的结合使得大量新的成果不断涌现。（from http://wenku.baidu.com/link?url=-kBNkaJ7fqrTjyk7JrWQQL8wrcqJGrrqCN8B06k9T0CvOG8W-F_Gc69SjePnyNNcDZcSM5N2P_XXmOUmHrNIT3Tn8q_drZbufm-Y