[논문 리뷰] Privacy Preserving Recommendation System Based on Groups

Shang Shang, Yuk Hui외 3명|arXiv (Cornell University)|2013. 05. 02.

Privacy-Preserving Technologies in Data참고 문헌 33인용 수 7

한 줄 요약

이 논문은 개인화와 익명성 간의 갈등을 해결하기 위해 개인 수준에서 그룹 수준으로의 추천 전환을 제안하며, 개인 선호 데이터를 공유하지 않아도 높은 추천 정확도를 유지할 수 있는 프라이버시 보장 추천 시스템을 제시한다. 분산된 피어 투 피어 선호도 교환과 하이브리드 마르코프 무작위 보행 모델을 활용하여, 시스템은 그룹 크기에 가까운 익명성 집합을 달성하고, 개인 선호 데이터가 없는 상태에서도 L+와 ItemRank와 같은 최첨단 방법보다 MovieLens 및 Epinions 데이터셋에서 뛰어난 성능을 보인다.

ABSTRACT

Recommendation systems have received considerable attention in the recent decades. Yet with the development of information technology and social media, the risk in revealing private data to service providers has been a growing concern to more and more users. Trade-offs between quality and privacy in recommendation systems naturally arise. In this paper, we present a privacy preserving recommendation framework based on groups. The main idea is to use groups as a natural middleware to preserve users' privacy. A distributed preference exchange algorithm is proposed to ensure the anonymity of data, wherein the effective size of the anonymity set asymptotically approaches the group size with time. We construct a hybrid collaborative filtering model based on Markov random walks to provide recommendations and predictions to group members. Experimental results on the MovieLens and Epinions datasets show that our proposed methods outperform the baseline methods, L+ and ItemRank, two state-of-the-art personalized recommendation algorithms, for both recommendation precision and hit rate despite the absence of personal preference information.

연구 동기 및 목표

• 개인화와 프라이버시 간의 갈등을 해결하기 위해 개인 수준에서 그룹 수준으로의 추천으로 전환함으로써 추천 시스템 내에서 개인화와 프라이버시를 동시에 고려한다.
• 계산 비용이 높은 암호화 기법에 의존하지 않고도 신뢰할 수 없는 서비스 제공자로부터 사용자 프라이버시를 보호할 수 있는 프레임워크를 개발한다.
• 개인 선호 데이터를 공유하지 않더라도 그룹 수준의 사회적 및 콘텐츠 정보를 활용하여 높은 추천 품질을 유지한다.
• 그룹 기반 협업이 개인 기반 시스템과 비슷하거나 더 나은 성능을 달성하면서도 사용자 익명성을 유지할 수 있음을 입증한다.

제안 방법

• 그룹 내에서 선호도를 교환함으로써 사용자 데이터를 익명화하는 분산형 피어 투 피어 선호도 교환 프rotocol를 설계하여, 효과적인 익명성 집합이 점차 그룹 크기에 수렴하도록 보장한다.
• 아이템 콘텐츠와 그룹 사회망 구조를 통합한 마르코프 무작위 보행을 활용한 하이브리드 협업 필터링 모델을 구성한다.
• 사용자 선호도는 그룹 수준에서 집계되며, 각 그룹 구성원별로 로컬에서 추천이 생성되어 중앙 서버에 개인 프로필이 泄露되는 것을 방지한다.
• 자연적 특성(성별, 연령, 직업) 또는 커뮤니티 탐지 기반의 그룹 구성 정보를 프라이버시 보장 미들웨어 계층으로 활용한다.
• 정밀도와 재현율을 평가하기 위해 MovieLens 및 Epinions 데이터셋에서 5겹 교차 검증을 수행하여 추천 모델을 훈련하고 평가한다.
• 다른 프라이버시 보장 기법(예: 차별적 프라이버시)과 조합 가능하도록 설계되어 확장성과 유연성을 확보한다.

실험 결과

연구 질문

• RQ1 그룹 기반 협업은 개인 선호 데이터를 공유하지 않더라도 추천 시스템 내에서 사용자 프라이버시를 효과적으로 보존할 수 있는가?
• RQ2 사용자 그룹의 크기와 구조는 익명성 집합과 추천 성능에 어떤 영향을 미치는가?
• RQ3 마르코프 무작위 보행과 그룹 수준 데이터를 기반으로 한 하이브리드 추천 모델은 L+와 ItemRank와 같은 개인 기반 최첨단 방법보다 뛰어난 성능을 낼 수 있는가?
• RQ4 연령 또는 직업과 같은 자연스러운 사용자 그룹은 무작위로 할당된 그룹이나 커뮤니티 탐지 기반 그룹보다 더 나은 성능을 내는가?
• RQ5 서비스 제공자에게 개인 선호도를 폭로하지 않고도 분산형 피어 투 피어 선호도 교환을 통해 어느 정도의 프라이버시를 보장할 수 있는가?

주요 결과

• 그룹 기반 추천 시스템은 개인 선호 데이터가 없는 상태에서도 MovieLens 및 Epinions 데이터셋에서 L+와 ItemRank를 초월하여 정밀도와 히트율 모두에서 뛰어난 성능을 보였다.
• MovieLens에서 직업 그룹 기반 추천은 상위 50개에서 최고의 재현율(0.518)을 기록하여, 모든 상위-k 값에서 L+와 ItemRank를 모두 초월했다.
• Epinions에서 커뮤니티 탐지 기반의 그룹 기반 모델은 상위 50개 재현율 0.250을 기록하여 L+(0.248)과 ItemRank(0.245)를 모두 능가했으며, 개인 데이터 정확도가 낮은 상황에서도 뛰어난 안정성을 입증했다.
• MovieLens에서 자연스러운 그룹(예: 연령, 직업)은 무작위로 할당된 그룹보다 일관되게 높은 성능을 보였으며, 이는 의미 있는 그룹 구조가 추천 정확도를 향상시킨다는 것을 시사한다.
• 분산형 선호도 교환 프로토콜는 시간이 지남에 따라 효과적인 익명성 집합이 그룹 크기에 수렴하도록 성공적으로 증가시켜, 프라이버시 보장 설계의 타당성을 입증했다.
• 하이브리드 마르코프 무작위 보행 모델은 그룹 사회 구조와 아이템 콘텐츠를 효과적으로 활용하여, 서비스 제공자에게 개인 프로필을 폭로하지 않으면서도 정확한 로컬 추천을 가능하게 했다.