[论文解读] Holistic Collaborative Privacy Framework for Users' Privacy in Social Recommender Service

Ahmed M. Elmisery, Seungmin Rho+1 more|arXiv (Cornell University)|Jan 1, 2014

Privacy-Preserving Technologies in Data参考文献 18被引用 1

一句话总结

本文提出了一种整体协作隐私框架，通过将原始数据保留在用户设备上，使用户能够在社交推荐系统中完全掌控其敏感偏好。在对等中间件（EMCP）中采用两阶段隐藏机制，确保符合经合组织（OECD）隐私原则，同时通过拓扑数据聚合和P3P/APPEL策略强制执行来保持推荐准确性。

ABSTRACT

The current business model for existing recommender services is centered around the availability of users' personal data at their side whereas consumers have to trust that the recommender service providers will not use their data in a malicious way. With the increasing number of cases for privacy breaches, different countries and corporations have issued privacy laws and regulations to define the best practices for the protection of personal information. The data protection directive 95/46/EC and the privacy principles established by the Organization for Economic Cooperation and Development (OECD) are examples of such regulation frameworks. In this paper, we assert that utilizing third-party recommender services to generate accurate referrals are feasible, while preserving the privacy of the users' sensitive information which will be residing on a clear form only on his/her own device. As a result, each user who benefits from the third-party recommender service will have absolute control over what to release from his/her own preferences. We proposed a collaborative privacy middleware that executes a two stage concealment process within a distributed data collection protocol in order to attain this claim. Additionally, the proposed solution complies with one of the common privacy regulation frameworks for fair information practice in a natural and functional way -which is OECD privacy principles. The approach presented in this paper is easily integrated into the current business model as it is implemented using a middleware that runs at the end-users side and utilizes the social nature of content distribution services to implement a topological data collection protocol.

研究动机与目标

• 解决用户对第三方推荐服务中隐私问题日益增长的担忧。
• 使用户能够在不暴露原始信息的情况下，完全掌控其敏感偏好数据。
• 为社交内容推荐开发一种可扩展、合规且准确的协作隐私框架。
• 以最小干扰将隐私保护机制集成到现有面向服务的架构中。
• 确保与国际隐私标准（如经合组织隐私原则和P3P）保持一致。

提出的方法

• 开发EMCP（增强型协作隐私中间件）作为客户端中间件，用于管理用户隐私。
• 实施两阶段隐藏过程，在数据传输前对敏感偏好数据进行模糊化处理。
• 将用户组织成对等组，并通过基于声誉的超级对等节点选举机制进行数据聚合。
• 使用P3P策略和APPEL偏好来动态编码并强制执行用户隐私约束。
• 利用Tor网络确保用户与推荐服务之间数据交换的匿名性。
• 与真实世界数据集（Jester、Movielens）集成，以评估性能和准确性。

实验结果

研究问题

• RQ1 在不损害推荐准确性的前提下，能否在第三方社交推荐系统中保护用户隐私？
• RQ2 用户如何在仍能受益于协同过滤的同时，完全掌控其个人数据？
• RQ3 两阶段隐藏过程在分布式数据收集中能在多大程度上减少隐私泄露？
• RQ4 基于对等网络的、中间件驱动的架构能否以可扩展且合规的方式有效强制执行隐私策略？
• RQ5 P3P与APPEL标准的集成如何提升协同过滤中策略的表达能力和执行效果？

主要发现

• 所提出的框架在采用隐私保护数据隐藏机制的情况下仍保持高推荐准确性，与标准协同过滤相比性能退化极小。
• 两阶段隐藏过程成功降低了原始用户偏好的暴露程度，同时保留了推荐生成所需的实用性。
• 基于声誉的超级对等节点与拓扑数据收集的结合，同时提升了隐私保护水平和系统韧性。
• P3P与APPEL的集成实现了细粒度、动态的用户隐私策略强制执行，且无需修改推荐服务。
• 该框架符合经合组织隐私原则，并支持与国际数据保护标准的合规性。
• 在Movielens和Jester数据集上的性能评估表明，隐私增强措施并未显著影响推荐质量。