基于隐私计算的推荐系统研究

浅浅社区是致力于拓展PlatON社区生态的大型社交项目，社交项目一定绕不开的是用户所发布的一系列文章、动态等相关数字化信息的内容推荐。

以知乎、抖音、Soul APP等为代表的传统互联网行业，包括但不限于社交、电商、短视频、广告分发等行业属性，都存在利用用户所产生的相关数据（包括但不限于个人基础信息、创作数据、用户行为数据等）为平台发展谋取一定的收益，创造不菲的盈利。当然在这个过程中，也许存在双方共赢，但对于用户隐私而言并没有太多的保障。

2020年4月9日，中共中央、国务院印发关于要素市场化配置的第一份文件《关于构建更加完善的要素市场化配置体制机制的意见》，首次将数据纳入生产要素当中，并就加快培育数据要素市场提出三点意见：一是推进政府数据开放共享；二是提升社会数据资源价值；三是加强数据资源整合和安全保护。

数据确权成为当时的热点，浅浅社区是基于PlatON隐私计算链上的生态拓展项目，不仅是基于算法部分，未来还有可信硬件的研发，本次申报的课题主要是研究如何在推荐系统中引入隐私计算。

推荐系统是一种解决信息超载的办法，从上个世纪出现万维网开始，互联网资源呈现指数性地爆发，无论是谁，穷尽一生都无法窥探到它的冰山一角，更别提全貌了。因此计算机科学家们提出推荐系统这一概念。通过当前掌握的信息，描述、刻画出有效的用户画像，并计算两用户间的相似性，为目标用户推荐感兴趣的内容，这是协同过滤的一种用法。

但是在上述构建推荐系统的过程中，用户的信息是明文、未脱敏的，这样就很容易造成用户的隐私被其他互联网攻击者窥探或者是截取，造成隐私泄露。

因此浅浅社区内的推荐系统有意引入PlatON隐私计算工具，以安全多方计算为代表加密手段切实保护用户的所有数据，真实有效地做到数据确权、隐私保护。

具体设计思路如下，这里以用户发布的动态（或文章为例）：

用户对任意一条动态（文章）点赞之后，存在一个评分矩阵表（未来表过大时，采用矩阵分解减小空间压力），用户的点赞信息属于一种行为数据，此时仅保存在用户本地，当用户授权给浅浅社区后（浅浅社区对用户给予授权激励），浅浅社区对该用户的行为数据进行提取，拿到可以计算的部分加密上传至云平台，云平台同样有其他的用户上传信息，众多的用户加密数据在云端进行安全多方计算，得到计算结果后，返回到各自的本地进行解密，解密结果再呈现到前台，成为相似推荐的结果。

如此一来，推荐过程和推荐结果均为密文，能够更加合理地保护用户的隐私，并且减小用户隐私泄露的风险，有效做到数据确权，并且用户也能在这个过程中得到一部分的授权激励，做到双赢甚至是多赢。