【博士论文】推荐系统多行为建模与隐私保护研究

推荐系统在信息大爆炸时代扮演着重要角色，其核心是以人为中心的“人 -内容-算法平台” 的生态圈：人与内容的交互行为所积累的数据为算法平台 所收集，以此为基础进行内容过滤，用户随后在社交网络中的传播行为对内 容进行扩散。因此，准确把握“人与内容”、“人与人”、“人与算法平台” 之间 的关系至关重要,包括交互行为建模、社交行为建模与行为数据收集带来的 用户隐私保护问题。然而，这些研究问题存在诸多挑战，如交互行为多元稀 疏、社交行为间接、隐私泄漏环节众多等。针对这些挑战，本文基于多类型 交互行为建模、社交行为精细化建模，以及通用保护隐私的推荐框架三个关 键问题展开研究，主要贡献与创新点如下：

首先，在人与内容之间的多类型交互行为建模方面，本文从交互行为的 异质性入手，系统研究了有无强度偏序先验下的建模问题，提出基于多任务 学习与图神经网络的方法，解决了对多类型交互行为难以刻画行为强度与语 义的难题。在真实数据集上的实验表明，相对于已有方法推荐精准度提升 6%-25%。

第二，在人与人之间的精细化社交行为建模方面，针对已有方法对于社 交行为影响的粗犷的“社交近似”假设，本文提出细粒度刻画用户在决策时 来自社交行为的复杂影响，提出一种通用的正则化方法，并设计对抗训练方 法以提升优化鲁棒性。在真实数据集上的测试表明，本文提出的方法相对于 现有方法推荐精准度平均提升近 10%。进一步地考虑社交行为的影响受平台 限制，研究了有无社交影响的跨平台迁移推荐问题，提出基于跨平台用户兴 趣迁移的推荐模型，在真实数据集上的实验表明，相比于已有方法推荐精准 度可以提升 5%以上。

第三，在人与算法平台之间的用户行为隐私保护方面，本文分析了在单 平台数据收集与跨平台数据共享两类推荐场景下的隐私泄露风险，针对这两 类场景的隐私泄露风险，分别提出了在保护行为隐私前提下的高效推荐模型。在真实数据集上的实验表明，本文提出的模型在保护隐私的前提下实现了精 准的个性化推荐。