[论文解读] Exploiting Data Sparsity in Secure Cross-Platform Social Recommendation

Jamie Cui, Chaochao Chen+3 more|arXiv (Cornell University)|Feb 15, 2022

Stochastic Gradient Optimization Techniques被引用 15

一句话总结

本文提出了一种安全的跨平台社交推荐系统，利用加法同态加密（HE）和私有信息检索（PIR）来解决数据稀疏性问题，同时保护用户隐私。通过加密用户-项目交互数据，并在加密矩阵上实现私有查询，该协议使平台能够在不暴露原始数据的情况下协同进行推荐，在强安全保证下实现高效且私密的跨平台推荐。

ABSTRACT

Social recommendation has shown promising improvements over traditional systems since it leverages social correlation data as an additional input. Most existing work assumes that all data are available to the recommendation platform. However, in practice, user-item interaction data (e.g.,rating) and user-user social data are usually generated by different platforms, and both of which contain sensitive information. Therefore, "How to perform secure and efficient social recommendation across different platforms, where the data are highly-sparse in nature" remains an important challenge. In this work, we bring secure computation techniques into social recommendation, and propose S3Rec, a sparsity-aware secure cross-platform social recommendation framework. As a result, our model can not only improve the recommendation performance of the rating platform by incorporating the sparse social data on the social platform, but also protect data privacy of both platforms. Moreover, to further improve model training efficiency, we propose two secure sparse matrix multiplication protocols based on homomorphic encryption and private information retrieval. Our experiments on two benchmark datasets demonstrate the effectiveness of S3Rec.

研究动机与目标

• 解决用户数据在不同平台间分散导致的跨平台社交推荐系统中的数据稀疏性问题。
• 在不暴露原始用户-项目交互数据的情况下，实现平台间的安全协作。
• 通过确保在推荐计算过程中，任一平台都不会获取对方的敏感数据，从而保护用户隐私。
• 设计一种高效协议，利用PIR和同态加密支持对加密用户-项目矩阵的私有查询。
• 在强密码学安全假设下，实现实际可行的隐私保护跨平台推荐性能。

提出的方法

• 系统生成一个加法同态加密密钥对（pk, sk），并将pk从P₀传输到P₁，以支持加密数据传输。
• 使用HE对用户-项目交互x_i,j进行加密，形成加密矩阵E，其中e_i,j = Enc(pk, x_i,j)。
• P₁向P₀发送查询q_i,j = PIR.Query(i + jk)，以检索E中的特定加密条目。
• P₀通过r_i,j = PIR.Response(E, q_i,j)进行响应，并将结果发送回P₁。
• P₁使用PIR.Extract(r_i,j)对响应进行解密，恢复原始的e_i,j值，并将其存储在T中。
• 该协议确保P₀无法获知P₁的查询内容，同时P₁也无法获取除所请求条目外的P₀的任何数据。

实验结果

研究问题

• RQ1 如何在保护用户隐私的前提下，缓解跨平台社交推荐中的数据稀疏性问题？
• RQ2 哪些密码学原Primitive可以结合使用，以实现推荐场景下安全且高效的跨平台数据共享？
• RQ3 PIR与加法同态加密能否有效集成，以支持对加密用户-项目矩阵的私有访问？
• RQ4 在真实推荐场景中使用PIR和HE会带来多大的性能开销？
• RQ5 系统如何确保在推荐过程中，任一平台都不会获取超出预期的信息？

主要发现

• 所提出的协议通过利用加法同态加密和PIR，成功实现了安全的跨平台社交推荐，有效保护了用户数据。
• 系统确保P₁仅能获取所请求的加密条目，而P₀对查询内容完全不知情。
• PIR的使用使得对加密矩阵E的访问保持私密，且不会暴露访问模式。
• 该协议维持了数据机密性，防止了跨平台间敏感用户交互信息的泄露。
• HE与PIR的集成实现了对稀疏用户-项目矩阵的高效且安全计算，有效缓解了数据稀疏性问题。
• 在标准HE和PIR安全假设下，系统实现了强安全保证，确保了跨平台协作中的隐私性。