[论文解读] Secure Social Recommendation based on Secret Sharing

Chaochao Chen, Liang Li+4 more|arXiv (Cornell University)|Feb 6, 2020

Recommender Systems and Techniques参考文献 37被引用 14

一句话总结

本文提出 SeSoRec，一种安全多方计算框架，可在不暴露原始用户数据的前提下，实现评分平台与社交平台之间的协作社交推荐。通过引入一种新型基于秘密共享的矩阵乘法（SSMM）协议，SeSoRec 在保持隐私的前提下实现了线性计算与通信复杂度，相较于现有方法在真实数据集上的准确率与效率方面表现更优。

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.

研究动机与目标

• 解决在保护数据隐私的前提下，利用外部平台的社交数据以提升推荐性能的挑战。
• 将安全社交推荐形式化为安全多方计算（MPC）问题。
• 设计一种实用、可扩展且保护隐私的框架，实现拥有敏感数据的平台之间的协作。
• 开发一种基于秘密共享的矩阵乘法协议（SSMM），消除对可信第三方的依赖。
• 在真实数据集上实证验证该框架在有效性与效率方面的表现。

提出的方法

• 将安全社交推荐形式化为多方计算问题，其中两个平台（评分平台与社交平台）联合学习用户偏好，而不暴露原始数据。
• 提出 SeSoRec 框架，通过协同学习将平台 𝒜 的用户-物品评分与平台 𝒷 的社交关系相结合。
• 设计一种新型基于秘密共享的矩阵乘法（SSMM）协议，以在 MPC 环境中安全计算矩阵乘积，替代可信初始化器。
• 使用秘密共享将矩阵元素分发至各参与方，实现无需暴露输入即可安全计算内积。
• 采用小批量梯度下降，确保在计算与通信方面均实现线性时间复杂度，以支持可扩展性。
• 在半诚实威胁模型下证明 SSMM 的正确性与安全性，确保除输出外无任何信息泄露。

实验结果

研究问题

• RQ1 能否设计一种安全框架，使评分平台与社交平台在不暴露原始用户数据的前提下实现协作？
• RQ2 在无可信第三方参与的多方计算环境中，如何安全地计算对协同过滤至关重要的矩阵乘法？
• RQ3 所提出的 SSMM 协议在效率上是否优于现有的基于可信初始化器的安全矩阵乘法协议？
• RQ4 在数据稀疏的场景下，引入社交信息在多大程度上能提升推荐准确率？
• RQ5 社交正则化参数 γ 如何影响最终模型中评分信息与社交信息之间的平衡？

主要发现

• SeSoRec 的推荐准确率几乎与未受保护的 Soreg 模型相当，所有数据集上的 RMSE 差异均小于 0.0003，验证了 SSMM 协议的正确性。
• 在 Epinions 数据集（评分密度为 0.48%）上，SeSoRec 相较于 MF 在 RMSE 上提升了 7.60%，表明在稀疏场景下具有显著优势。
• 与 TISMM 相比，SSMM 将运行时间减少了约 2.4 倍，具体表现为：维度 100 时为 0.0025 秒，维度 1000 时为 0.3246 秒，维度 10000 时为 40.744 秒，展现出强大的可扩展性。
• SeSoRec 的性能对社交正则化参数 γ 极为敏感，在 FilmTrust 数据集上，γ = 10^0 时达到最优性能。
• SeSoRec 保持了线性计算与通信复杂度，支持在大规模数据集上的高效部署。
• SSMM 协议消除了对可信初始化器的依赖，显著提升了实际部署中的实用性与安全性。