[论文解读] Valuating User Data in a Human-Centric Data Economy

Marius Paraschiv, Nikolaos Laoutaris|arXiv (Cornell University)|Aug 27, 2019

Privacy, Security, and Data Protection参考文献 17被引用 4

一句话总结

本文提出了一种公平、透明的方法，利用合作博弈论中的Shapley值，在以人为本的数据经济中对用户进行估值和补偿。该方法应用于电影推荐系统，表明用户贡献——通过评分行为衡量——在价值上存在显著差异，其中受欢迎或及时的评分对收入的贡献更大，并通过可扩展的近似算法验证了该方法，其性能优于朴素方法。

ABSTRACT

The idea of paying people for their data is increasingly seen as a promising direction for resolving privacy debates, improving the quality of online data, and even offering an alternative to labor-based compensation in a future dominated by automation and self-operating machines. In this paper we demonstrate how a Human-Centric Data Economy would compensate the users of an online streaming service. We borrow the notion of the Shapley value from cooperative game theory to define what a fair compensation for each user should be for movie scores offered to the recommender system of the service. Since determining the Shapley value exactly is computationally inefficient in the general case, we derive faster alternatives using clustering, dimensionality reduction, and partial information. We apply our algorithms to a movie recommendation data set and demonstrate that different users may have a vastly different value for the service. We also analyze the reasons that some movie ratings may be more valuable than others and discuss the consequences for compensating users fairly.

研究动机与目标

• 解决当前数据经济中用户创造价值却未获得直接补偿的失衡问题。
• 开发一种公平且透明的方法，为在线服务中用户数据贡献分配货币价值。
• 应用合作博弈论——特别是Shapley值——量化个体用户对推荐系统性能和收入的贡献。
• 设计可扩展的近似算法，高效估算用户价值，同时不牺牲公平性或可解释性。
• 通过透明、保护隐私的会计层，使用户能够验证其补偿。

提出的方法

• 以合作博弈论中的Shapley值作为理论基础，基于用户数据贡献实现公平的价值分配。
• 将Shapley值应用于测量每个用户对电影推荐系统性能的边际贡献，以电影评分为输入。
• 采用聚类和降维技术，降低大规模用户集合中的计算复杂度。
• 使用部分信息和基于采样的近似方法，高效估算Shapley值，避免精确计算带来的指数级成本。
• 将估算的用户价值映射为经济补偿，假设存在一个固定总收益份额需重新分配给用户。
• 提出一种透明的元数据层，使用户能够基于其行为数据审计和验证其补偿。

实验结果

研究问题

• RQ1 在以人为本的数据经济中，如何公平地对用户数据贡献进行估值？
• RQ2 在推荐系统中，哪些用户评分比其他评分更具价值？
• RQ3 如何在保持公平性和可解释性的前提下，高效地近似计算计算成本高昂的Shapley值？
• RQ4 哪些关键行为模式会提升用户对服务收入的贡献？
• RQ5 如何在不损害隐私的前提下，基于用户实际数据贡献实现公平补偿？

主要发现

• 对热门或新上映电影进行评分的用户，对推荐系统性能的贡献显著更高，因此其数据价值也更高。
• Shapley值为用户补偿提供了理论上的公平基准，但精确计算在大规模系统中不可行。
• 基于聚类和降维的近似算法产生的结果与用户价值的常识性评估一致。
• 用户数据的价值并非均一——某些评分（如对热门影片的评分）更具价值，因其对系统准确性和收入的影响更大。
• 该框架实现了透明、可审计的补偿，增强了用户对数据驱动平台的信任与参与度。
• 所提出的方法可推广至不同类型的数据和应用场景，如交通数据或社交媒体数据，只要识别出关键指标即可。