論文の概要: Secure Social Recommendation based on Secret Sharing
- arxiv url: http://arxiv.org/abs/2002.02088v2
- Date: Thu, 5 Mar 2020 06:43:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-03 10:01:07.333469
- Title: Secure Social Recommendation based on Secret Sharing
- Title（参考訳）: 秘密共有に基づく安全なソーシャルレコメンデーション
- Authors: Chaochao Chen, Liang Li, Bingzhe Wu, Cheng Hong, Li Wang, Jun Zhou
- Abstract要約: Facebookのようなソーシャルプラットフォームで豊富なソーシャル情報は、システムに推奨する上で有用である。
既存のレコメンデーションモデルのほとんどは、ソーシャル情報が利用可能であるという仮定に基づいて構築されている。
本稿では,ソーシャルプラットフォームから知識を共同でマイニングし,レコメンデーション性能を向上させるSEcure Social Recommendationフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 23.74692198296859
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Nowadays, privacy preserving machine learning has been drawing much attention
in both industry and academy. Meanwhile, recommender systems have been
extensively adopted by many commercial platforms (e.g. Amazon) and they are
mainly built based on user-item interactions. Besides, social platforms (e.g.
Facebook) have rich resources of user social information. It is well known that
social information, which is rich on social platforms such as Facebook, are
useful to recommender systems. It is anticipated to combine the social
information with the user-item ratings to improve the overall recommendation
performance. Most existing recommendation models are built based on the
assumptions that the social information are available. However, different
platforms are usually reluctant to (or cannot) share their data due to certain
concerns. In this paper, we first propose a SEcure SOcial RECommendation
(SeSoRec) framework which can (1) collaboratively mine knowledge from social
platform to improve the recommendation performance of the rating platform, and
(2) securely keep the raw data of both platforms. We then propose a Secret
Sharing based Matrix Multiplication (SSMM) protocol to optimize SeSoRec and
prove its correctness and security theoretically. By applying minibatch
gradient descent, SeSoRec has linear time complexities in terms of both
computation and communication. The comprehensive experimental results on three
real-world datasets demonstrate the effectiveness of our proposed SeSoRec and
SSMM.
- Abstract（参考訳）: 今日では、プライバシー保護機械学習が業界とアカデミーの両方で注目を集めている。
一方、レコメンダシステムは、多くの商用プラットフォーム(例えばAmazon)で広く採用されており、主にユーザとイテムのインタラクションに基づいて構築されている。
さらに、ソーシャルプラットフォーム(例えばFacebook)は、ユーザー社会情報の豊富な資源を持っている。
Facebookのようなソーシャルプラットフォームに富むソーシャル情報が、システムに推奨する上で有用であることはよく知られている。
ソーシャル情報とユーザイテム評価を組み合わせることで,全体のレコメンデーション性能を向上させることが期待されている。
既存のレコメンデーションモデルは、ソーシャル情報が利用できるという仮定に基づいて構築されている。
しかし、異なるプラットフォームは通常、特定の懸念のためにデータを共有することを好まない(あるいはできない)。
本稿では,(1)ソーシャルプラットフォームからの知識を協調的にマイニングし,評価プラットフォームのレコメンデーション性能を向上させるSecure Social Recommendation(SeSoRec)フレームワークを提案し,(2)両プラットフォームの生データを安全に保持する。
次に,Secret Sharing based Matrix Multiplication (SSMM)プロトコルを提案し,SeSoRecを最適化し,その正しさとセキュリティを理論的に証明する。
ミニバッチ勾配勾配を適用することで、SeSoRecは計算と通信の両面で線形時間複雑性を持つ。
3つの実世界データセットの総合実験結果から,提案するssorecとssmmの有効性を実証した。
関連論文リスト
- P4GCN: Vertical Federated Social Recommendation with Privacy-Preserving Two-Party Graph Convolution Networks [17.901647467076476]
プライバシ保護二要素グラフ畳み込みネットワーク(P4GCN)を利用した新しい縦型ソーシャルレコメンデーション手法を提案する。
4つの実世界のデータセットの実験により、P4GCNは推奨精度で最先端の手法より優れていることが示された。
論文 参考訳（メタデータ） (2024-10-16T12:29:22Z) - System-2 Recommenders: Disentangling Utility and Engagement in Recommendation Systems via Temporal Point-Processes [80.97898201876592]
本稿では,過去のコンテンツインタラクションが,自己興奮型ホークスプロセスに基づくユーザの到着率に影響を及ぼす生成モデルを提案する。
そこで本研究では,システム1とシステム2のアンタングルを解消し,ユーザ利用によるコンテンツ最適化を可能にすることを解析的に示す。
論文 参考訳（メタデータ） (2024-05-29T18:19:37Z) - Balancing User Preferences by Social Networks: A Condition-Guided Social Recommendation Model for Mitigating Popularity Bias [64.73474454254105]
ソーシャルレコメンデーションモデルは、ユーザに対してユニークなパーソナライズされたレコメンデーション結果を提供するために、ソーシャルインタラクションをデザインに織り込む。
既存のソーシャルレコメンデーションモデルは、人気バイアスや社会的情報の冗長性の問題に対処できない。
本稿では,モデルの人気バイアスを軽減するための条件付きソーシャルレコメンデーションモデル(CGSoRec)を提案する。
論文 参考訳（メタデータ） (2024-05-27T02:45:01Z) - Learning Social Graph for Inactive User Recommendation [50.090904659803854]
LSIRはソーシャルレコメンデーションのための最適なソーシャルグラフ構造を学習する。
実世界のデータセットの実験では、LSIRはNDCGで最大129.58%の大幅な改善を実現している。
論文 参考訳（メタデータ） (2024-05-08T03:40:36Z) - FedGRec: Federated Graph Recommender System with Lazy Update of Latent
Embeddings [108.77460689459247]
プライバシー問題を軽減するためのフェデレートグラフレコメンダシステム(FedGRec)を提案する。
本システムでは,ユーザとサーバは,ユーザとアイテムに対する遅延埋め込みを明示的に記憶する。
我々は,遅延埋め込みを相互作用グラフの欠落のプロキシとして用いることの有効性を検証するために,広範な実験的な評価を行った。
論文 参考訳（メタデータ） (2022-10-25T01:08:20Z) - Exploiting Data Sparsity in Secure Cross-Platform Social Recommendation [34.60672247558132]
社会的レコメンデーションは従来のシステムよりも有望な改善を示している。
既存の作業の多くは、すべてのデータがレコメンデーションプラットフォームで利用可能であると仮定している。
本稿では,セキュアなクロスプラットフォームソーシャルレコメンデーションフレームワークであるS3Recを提案する。
論文 参考訳（メタデータ） (2022-02-15T08:46:34Z) - Federated Social Recommendation with Graph Neural Network [69.36135187771929]
本稿では,ソーシャル情報とユーザ・イテムの相互作用を融合させることにより,ソーシャル・レコメンデーションの問題であるソーシャル・リコメンデーションの緩和を提案する。
我々は textbfGraph Neural Network (FeSoG) を用いた textbfFedrated textbfSocial 推薦フレームワークを考案した。
論文 参考訳（メタデータ） (2021-11-21T09:41:39Z) - Dual Side Deep Context-aware Modulation for Social Recommendation [50.59008227281762]
社会的関係と協調関係をモデル化する新しいグラフニューラルネットワークを提案する。
高次関係の上に、友人の情報とアイテムのアトラクションを捉えるために、双方向のコンテキスト認識変調を導入する。
論文 参考訳（メタデータ） (2021-03-16T11:08:30Z) - SocialTrans: A Deep Sequential Model with Social Information for
Web-Scale Recommendation Systems [29.24459965940855]
本稿では,ソーシャルレコメンデーションのための新しい深層学習モデルSocialTransを提案する。
最初のモジュールは、ユーザの個人的な好みをモデル化する多層トランスフォーマーに基づいている。
第2のモジュールは多層グラフアテンションニューラルネットワーク(GAT)であり、ソーシャルネットワーク内の友人間の社会的影響の強さをモデル化するために使用される。
最後のモジュールは、ユーザの個人的な好みと社会的に影響された好みをマージし、レコメンデーションを生成する。
論文 参考訳（メタデータ） (2020-05-09T03:39:45Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。