Tecnologías que mejoran la privacidad en los sistemas de recomendación

Abstract

El desarrollo de Internet, de la telefonía móvil y la aparición de numerosas aplicaciones están modificando rápidamente nuestra sociedad. Muchas aplicaciones disponen de sistemas de recomendación personalizada para analizar las preferencias de cada cliente y predecir el interés que éstos tendrán por un determinado ítem. Existen dos estrategias habituales: "forgery" donde falsificamos la puntuación de los ítems de manera que el usuario no muestra sus intereses reales y "suppression" donde se elimina la puntuación que el ítem tenía. El propósito de este trabajo es el de evaluar el impacto de estas dos estrategias en utilidades reales de un sistema de recomendación como pueden ser MAE y RMSE.

El desenvolupament d'Internet, de la telefonia mòbil i l'aparició de nombroses aplicacions estan modificant ràpidament la nostra societat. Moltes aplicacions disposen de sistemes de recomanació personalitzada per a analitzar les preferències de cada client i predir l'interès que aquests tindran per un determinat ítem. Existeixen dues estratègies habituals: "forgery" on falsifiquem la puntuació dels ítems de manera que l'usuari no mostra els seus interessos reals i "suppression" on s'elimina la puntuació que l'ítem tenia. El propòsit d'aquest treball és el d'avaluar l'impacte d'aquestes dues estratègies en utilitats reals d'un sistema de recomanació com poden ser MAE i RMSE.

The development of Internet, mobiles and the appearance of numerous applications are quickly changing our society. Many applications have personalized recommendation systems to analyze the preferences of each customer and to predict the interest they will have for a particular item. There are two usual strategies: "forgery" where we change the items rating for user doesn't show his real interests and "suppression" where the items rating is eliminated. The purpose of this paper is to evaluate the impact of these two strategies on real utilities of a recommendation system such as MAE and RMSE.