大規(guī)模個性化在線視頻服務(wù)的用戶隱私保護(hù).pdf

1、大規(guī)模在線視頻服務(wù)系統(tǒng)不僅占據(jù)著主要的網(wǎng)絡(luò)流量和市場份額，并且在用戶數(shù)量和有效瀏覽時間方面持續(xù)保持巨大優(yōu)勢。個性化推薦服務(wù)成為視頻網(wǎng)站主要競爭手段的同時帶來了用戶隱私泄露風(fēng)險。一方面，推薦系統(tǒng)可以準(zhǔn)確推斷出性別、年齡等用戶配置文件信息，導(dǎo)致用戶隱私泄露。另一方面，偽裝成普通用戶的攻擊者可以直接從推薦系統(tǒng)輸出中獲取目標(biāo)用戶的歷史行為記錄，進(jìn)而推斷其敏感興趣偏好，這種隱秘的非直接訪問攻擊對用戶的隱私造成更嚴(yán)重的威脅。
　　實際上，針對

2、個性化推薦和用戶隱私保護(hù)這一對矛盾，現(xiàn)有的保護(hù)用戶隱私的推薦方案普遍在二者之間進(jìn)行權(quán)衡，保護(hù)用戶隱私會造成推薦性能的損失已成為現(xiàn)有研究工作的共識。對于大規(guī)模在線視頻服務(wù)系統(tǒng)，能否以及如何在保護(hù)用戶隱私信息的同時保證甚至提高推薦服務(wù)的質(zhì)量，成為目前研究的難點。同時，對于其他大規(guī)模在線服務(wù)系統(tǒng)而言，這也是一個亟待解決的問題。
　　針對此課題，本文首先分析了大規(guī)模在線視頻服務(wù)系統(tǒng)中用戶隱私信息泄露的高風(fēng)險性，以用戶性別信息為例，分析了基

3、于少量瀏覽記錄準(zhǔn)確推斷用戶隱私信息的可能性。然后，針對用戶性別、年齡等身份信息和敏感興趣偏好的保護(hù)，分別研究了推薦友好的隱私保護(hù)框架和基于話題隱私重要度的差分隱私協(xié)同過濾算法，實現(xiàn)了在保護(hù)用戶隱私的同時保證甚至提高推薦服務(wù)質(zhì)量這一研究目標(biāo)。
　　本文的主要工作及創(chuàng)新點如下:
　　第一，在用戶隱私推斷方面，為了解決實際在線視頻系統(tǒng)中數(shù)據(jù)的高稀疏性問題，本文分別針對中英文視頻系統(tǒng)提出不同的用戶行為匯聚方法。具體地說，針對沒有分隔

4、符的亞洲語言設(shè)計了簡單有效的關(guān)鍵詞提取算法，針對英文視頻系統(tǒng)基于同義詞庫提出了可極大保留原始信息的用戶行為匯聚方法。為解決用戶性別分布失衡問題，本文提出了新的評估測度，并基于此建立了改進(jìn)的隱私推斷模型?；诙鄠€大規(guī)模在線視頻系統(tǒng)數(shù)據(jù)集的實驗證明，相比已有工作，本文方法不僅能有效解決實際系統(tǒng)中的數(shù)據(jù)高稀疏性和性別分布失衡問題，而且能使性別推斷的結(jié)果達(dá)到整體最優(yōu)。這一研究驗證了在數(shù)據(jù)高稀疏性的視頻系統(tǒng)中少量數(shù)據(jù)記錄暴露用戶隱私信息的可能性。

5、
　　第二，為了在保護(hù)年齡、性別等用戶隱私信息的同時不損失推薦服務(wù)性能，本文提出了推薦友好的隱私保護(hù)框架。現(xiàn)有做法是在用戶觀看記錄中加入一定的相反類別用戶喜愛視頻的虛擬打分，在實現(xiàn)模糊用戶信息的同時犧牲了推薦的準(zhǔn)確性。這種做法忽略了一個重要事實——就單個用戶而言，她（他）可能會喜歡統(tǒng)計意義上最受相反類別（性別或年齡組等）用戶歡迎的內(nèi)容?；谶@一觀察，本文提出一種新的視頻相似度計算方法，設(shè)計了既能模糊用戶性別（年齡）信息又能強化用戶

6、興趣的視頻選擇策略及視頻虛擬打分估算方法。大量實驗證明，相較于已有研究的權(quán)衡做法，本文提出的推薦友好的隱私保護(hù)框架可以在保護(hù)用戶性別、年齡等用戶信息的同時保證甚至提高推薦服務(wù)的質(zhì)量，并且可以推廣到類似的書籍、CD、音樂等推薦系統(tǒng)中。
　　第三，針對典型的用戶行為記錄非直接訪問攻擊，本文提出基于話題隱私重要度的差分隱私協(xié)同過濾算法。現(xiàn)有的差分隱私協(xié)同過濾算法，對用戶的不同行為記錄提供相同強度的保護(hù)，雖然推薦的平均誤差性能尚可接受，但

7、就實際系統(tǒng)中普遍采用的Top-k推薦而言，推薦性能嚴(yán)重受損。針對這一問題，基于用戶對不同行為記錄泄露的敏感程度不同這一觀察，進(jìn)一步結(jié)合視頻系統(tǒng)用戶行為顯著的稀疏性特征，本文提出在視頻話題級別上實現(xiàn)區(qū)別隱私重要度的隱私保護(hù)。本文提出了話題隱私重要度參數(shù)，在同等隱私保護(hù)預(yù)算的前提下對高隱私重要度的話題提供更強的保護(hù)。為了提高個性化推薦服務(wù)質(zhì)量，進(jìn)一步在用戶端依據(jù)用戶興趣偏好對推薦系統(tǒng)輸出結(jié)果重新排序篩選，實現(xiàn)視頻的Top-k推薦。實驗證實，