大規(guī)模個(gè)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(chǎng)份額，并且在用戶數(shù)量和有效瀏覽時(shí)間方面持續(xù)保持巨大優(yōu)勢(shì)。個(gè)性化推薦服務(wù)成為視頻網(wǎng)站主要競(jìng)爭(zhēng)手段的同時(shí)帶來(lái)了用戶隱私泄露風(fēng)險(xiǎn)。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(wèn)攻擊對(duì)用戶的隱私造成更嚴(yán)重的威脅。
　　實(shí)際上，針對(duì)

2、個(gè)性化推薦和用戶隱私保護(hù)這一對(duì)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(huì)造成推薦性能的損失已成為現(xiàn)有研究工作的共識(shí)。對(duì)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(shí)保證甚至提高推薦服務(wù)的質(zhì)量，成為目前研究的難點(diǎn)。同時(shí)，對(duì)于其他大規(guī)模在線服務(wù)系統(tǒng)而言，這也是一個(gè)亟待解決的問(wèn)題。
　　針對(duì)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(xiǎn)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(duì)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(guò)濾算法，實(shí)現(xiàn)了在保護(hù)用戶隱私的同時(shí)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(diǎn)如下:
　　第一，在用戶隱私推斷方面，為了解決實(shí)際在線視頻系統(tǒng)中數(shù)據(jù)的高稀疏性問(wèn)題，本文分別針對(duì)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(shuō)，針對(duì)沒(méi)有分隔

4、符的亞洲語(yǔ)言設(shè)計(jì)了簡(jiǎn)單有效的關(guān)鍵詞提取算法，針對(duì)英文視頻系統(tǒng)基于同義詞庫(kù)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(wèn)題，本文提出了新的評(píng)估測(cè)度，并基于此建立了改進(jìn)的隱私推斷模型?；诙鄠€(gè)大規(guī)模在線視頻系統(tǒng)數(shù)據(jù)集的實(shí)驗(yàn)證明，相比已有工作，本文方法不僅能有效解決實(shí)際系統(tǒng)中的數(shù)據(jù)高稀疏性和性別分布失衡問(wèn)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(yàn)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(shí)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?，F(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(ài)視頻的虛擬打分，在實(shí)現(xiàn)模糊用戶信息的同時(shí)犧牲了推薦的準(zhǔn)確性。這種做法忽略了一個(gè)重要事實(shí)——就單個(gè)用戶而言，她（他）可能會(huì)喜歡統(tǒng)計(jì)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(jì)算方法，設(shè)計(jì)了既能模糊用戶性別（年齡）信息又能強(qiáng)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(shí)驗(yàn)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(shí)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(lè)等推薦系統(tǒng)中。
　　第三，針對(duì)典型的用戶行為記錄非直接訪問(wèn)攻擊，本文提出基于話題隱私重要度的差分隱私協(xié)同過(guò)濾算法?，F(xiàn)有的差分隱私協(xié)同過(guò)濾算法，對(duì)用戶的不同行為記錄提供相同強(qiáng)度的保護(hù)，雖然推薦的平均誤差性能尚可接受，但

7、就實(shí)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(duì)這一問(wèn)題，基于用戶對(duì)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(jí)別上實(shí)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(duì)高隱私重要度的話題提供更強(qiáng)的保護(hù)。為了提高個(gè)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(duì)推薦系統(tǒng)輸出結(jié)果重新排序篩選，實(shí)現(xiàn)視頻的Top-k推薦。實(shí)驗(yàn)證實(shí)，