隐私感知的数据孤岛跨域推荐框架Parsilo-CDR：基于合成数据生成与领域解耦的协同优化

本文提出隐私感知的跨域推荐框架Parsilo-CDR，通过合成数据生成器（SDG）动态生成符合用户隐私偏好的合成数据（解决CH1挑战），并创新性采用解耦正则化器分离领域共性知识与领域特异性噪声（解决CH2挑战）。实验验证其在单域/跨域/隐私跨域场景中均能提升推荐精度，为GDPR1等严格隐私法规下的数据孤岛问题提供新思路。

　　

Highlight
Parsilo-CDR通过两大创新模块突破数据孤岛困境：1）合成数据生成器（SDG）将原始数据转化为符合隐私偏见的合成数据，实现动态隐私-效用平衡；2）解耦正则化器将源域信息分离为领域共性知识（提升推荐）与领域特异性噪声（如电商价格偏好对视频平台的干扰），其作用类似生物信号通路中的"分子筛"机制。

Conclusion
本研究提出的Parsilo-CDR框架如同"隐私盾牌+知识净化器"的双重系统：SDG模块像隐私过滤器，通过生成对抗网络（GAN）原理制造数据"替身"；解耦模块则像精准的CRISPR基因编辑工具，切除源域有害的"噪声基因片段"。在Amazon和MovieLens数据集上的实验表明，该框架使跨域推荐AUC提升12.7%，同时满足GDPR¹合规要求，为医疗健康等领域的多中心数据协作提供新范式。