题目

保护隐私的协同过滤综述,Survey of Privacy-Preserving Collaborative Filtering

关键字

协同过滤,隐私保护,机器学习,人工智能,推荐系统

简介

协作过滤推荐系统根据用户过去的经验以及具有相似兴趣的其他用户的经验向用户提供建议。推荐系统的使用在最近几年得到了广泛的发展,可以帮助人们选择观看哪些电影,阅读哪些书籍以及购买哪些物品。但是,在使用此类系统时,用户通常会担心其隐私,并且许多用户不愿意为大多数在线服务提供准确的信息。隐私保护协作过滤推荐系统旨在为用户提供准确的推荐,同时保持有关其数据隐私的某些保证。这项调查研究了有关保护隐私的协作过滤的最新文献,提供了一个广阔的视野,并使用两种不同的标准对文献中的关键贡献进行了分类:漏洞的类型和解决方法。

作者

Islam Elnabarawy,Student Member, IEEE,Wei Jiang,Member, IEEE,and Donald C. Wunsch II,Fellow, IEEE

成为VIP会员查看完整内容
34

相关内容

利用已有的用户群过去的行为或者意见预测当前用户最可能喜欢哪些东西或者对哪些东西感兴趣。主要应用场景是在线零售系统,目的是进行商品促销和提高销售额。
【中国人民大学】机器学习的隐私保护研究综述
专知会员服务
130+阅读 · 2020年3月25日
差分隐私保护:从入门到脱坑
FreeBuf
17+阅读 · 2018年9月10日
推荐系统概述
Linux爱好者
20+阅读 · 2018年9月6日
【推荐】RecSys 2017深度总结
LibRec智能推荐
5+阅读 · 2018年3月19日
综述——隐私保护集合交集计算技术研究
计算机研究与发展
21+阅读 · 2017年10月24日
Arxiv
91+阅读 · 2020年2月28日
Generative Adversarial Networks: A Survey and Taxonomy
Arxiv
8+阅读 · 2019年5月20日
VIP会员
相关VIP内容
【中国人民大学】机器学习的隐私保护研究综述
专知会员服务
130+阅读 · 2020年3月25日
相关资讯
差分隐私保护:从入门到脱坑
FreeBuf
17+阅读 · 2018年9月10日
推荐系统概述
Linux爱好者
20+阅读 · 2018年9月6日
【推荐】RecSys 2017深度总结
LibRec智能推荐
5+阅读 · 2018年3月19日
综述——隐私保护集合交集计算技术研究
计算机研究与发展
21+阅读 · 2017年10月24日
微信扫码咨询专知VIP会员