基于对抗学习的隐私保护推荐算法

嘿，记得给“机器学习与推荐算法”添加星标

---

协同过滤算法除了捕捉用户潜在的消费模式外，还会学习用户特定的人口统计学特征或受保护信息等特征，如性别、种族和地理位置位置。这些偏见（Bias）信息会进一步影响推荐系统（RS）的决策，使得推荐算法会提供给不同用户子群的内容进一步分离，这将引起对用户受保护属性泄露的隐私问题。通过观察下图，可以发现基本的推荐算法（MultVAE）存在性别上的偏差，使得攻击者可以很容易的识别这种模式并进行敏感属性的推测。

在这项工作中，本文研究了在保持推荐算法有效性的同时，将用户的特定保护信息从学习的交互表征中移除的可能性和挑战。具体来说，本文将对抗训练纳入到变分自编码器MultVAE架构中，从而形成了一个新的模型——基于对抗训练的多项式自编码器模型（Adv-MultVAE），其目的是去除受保护属性的隐性信息，同时保持推荐性能。通过在两个数据集上进行实验来评估偏见缓解方法的有效性。结果表明，Adv-MultVAE虽然在性能上略有下降（在NDCG和召回率方面），但在很大程度上缓解了模型的内在偏差。