映画の評価履歴から個人が分かる？――Netflix Prizeデータの再識別

映画やドラマの配信サービスでは、利用者が過去に見た作品や評価した作品をもとに、おすすめの作品が表示されます。こうした推薦機能の精度を高めるためには、多くの利用者の評価履歴を分析することが有効です。

しかし、氏名やメールアドレスを削除して公開したデータであっても、別の場所に公開されている情報と照らし合わせることで、誰のデータであるかが分かってしまう場合があります。

今回は、匿名化※された映画評価データの再識別※可能性が示された「Netflix Prize」の事例を紹介します。第2〜4回の記事と同じく、外部の公開情報との照合が再識別の手がかりになります。ただ今回注目したいのは、同じ「映画の評価」という情報であっても、どの作品を・何点で・いつ評価したかという組み合わせが増えるほど、その人を見分ける目印になり得る点です。

2006年10月、米国のオンラインDVDレンタルサービス会社Netflixは、映画推薦システム「Cinematch」の精度を向上させるため、「Netflix Prize」と呼ばれるコンテストを開始しました。同社は今やオンライン動画ストリーミングを提供する会社として世界的に有名ですが、当時は、インターネットで選んだ映画のDVDを利用者の自宅へ郵送する、オンラインDVDレンタルサービスを中心に展開していました。

Netflixには、利用者が映画を5段階で評価する機能がありました。Netflixは、こうした過去の評価をもとに、それぞれの利用者がどの作品を好むかを予測し、おすすめの映画を表示していました。

コンテストでは、Netflixが使用していた推薦システムよりも予測精度を10％以上改善したチームに、100万ドルの賞金を授与することが発表されました。[1]

参加者が推薦アルゴリズムの開発に利用できるよう、Netflixは、17,770本の映画について、約48万人の利用者による約1億件の映画評価データを公開しました。[2]　データは、1999年12月から2005年12月までに登録された評価から構成されていました。[3]

Netflixが公開したデータには、主に次の情報が含まれていました。

• 利用者ごとに割り当てられた識別番号
• 評価した映画のタイトル
• 5段階（1〜5）の評価点
• 評価した日付

氏名、住所、メールアドレスなど、利用者を直接特定する情報は含まれていませんでした。利用者は実際の氏名ではなく、コンテスト用の識別番号だけで区別されていました。

同社は、利用者を特定する情報は削除されており、公開されたのは評価と日付だけであると説明していました。また、公開されたデータはNetflixが保有する全データの一部であり、一部の評価や日付には変更も加えられていたため、個人の記録を確実に見つけることは難しいと考えられていました。

しかし、映画の評価履歴は、一人ひとり異なる特徴を持つ情報でもあります。

テキサス大学オースティン校の研究者であったArvind NarayananとVitaly Shmatikovは、攻撃者※が利用者の映画評価について、どの程度の情報を知っていればNetflixのデータ内から対応する記録を見つけられるかを分析しました。[3]

多くの人が同じ有名映画を高く評価しているだけであれば、それだけで個人を見分けることは困難です。

しかし、評価した作品の数が増えるほど、その組み合わせは人によって異なっていきます。特に、評価した人が少ない作品や、特徴的な作品の組み合わせは、個人を見分ける強い手がかりになります。

分析の結果、攻撃者が2本の映画について、評価点とおおよその評価日を知っている場合、Netflixのデータに含まれる記録の68％を一意に絞り込めることが示されました。このとき、攻撃者が知っている評価日は、実際の日付から前後3日程度ずれていてもよいとされていました。

さらに、8本の映画について情報を知っている場合には、そのうち2本の情報が完全に誤っており、評価日が前後14日程度ずれていても、99％の記録を一意に絞り込めるという結果になりました。[3]

図1. 再識別アルゴリズムの分析結果

この結果は、攻撃者が映画の評価履歴を正確かつ完全に知っていなくても、少数の情報から対応する記録を見つけられる可能性があることを示しています。（図1）

映画の評価履歴のように、多数の項目から構成されるデータでは、一つひとつの評価だけでなく、作品、評価点、評価時期の組み合わせそのものが、その人を見分ける特徴になり得ることを意味します。

NarayananとShmatikovは、Netflixのデータを、映画情報サイト「IMDb」に公開されていた評価情報と照合しました。[3]

IMDb（Internet Movie Databaseの略）とは、映画やテレビ番組、出演者、制作スタッフなどに関する情報を掲載する世界的なデータベースサイトです。利用者は、映画を評価したり、感想を投稿したりすることもできます。当時、一部の利用者は、ユーザー名とともに自分が評価した映画や評価点を一般に公開していました。

たとえば、あるユーザーがIMDbで、

• 映画Aを高く評価した
• 映画Bを低く評価した
• 映画Cを特定の時期に評価した

という情報を公開していたとします。

ただし、IMDbとNetflixでは評価の尺度が異なるため、同じ数字をそのまま突き合わせるわけではなく、両者のスケールの違いを考慮したうえで点数の近さを判断します。また、IMDbに記録されている日付は「IMDb上で評価を入力した日」であり、Netflixで評価した日とは必ずしも一致しません。同じ映画でも、両方のサイトで同時期に評価する利用者もいれば、時間の空いたときにまとめて評価する利用者もいるためです。

こうした違いを踏まえ、Netflixの匿名データの中から、同じ映画を、近い時期に、似た点数で評価している記録を探すことで、そのユーザーに対応する可能性が高い識別番号を絞り込むことができます。（図2）

図2. IMDbの公開データを用いた実証のイメージ

NarayananとShmatikovは、IMDbの約50人の利用者を対象とした小規模な検証を行い、そのうち2人について、Netflixのデータ内に対応すると考えられる記録を発見しました。[3] ただし、二つのデータに同一人物の記録が含まれているかを確実に判定する手段(正解)はないため、対応付けが100%正しいと断言できるわけではありません。もっとも、この2人については、一致した記録が他のどの候補も遠く及ばないほど突出して条件に合っており、別の記録を取り違えた可能性はまず考えられないと報告されています。

この検証は、IMDbの利用者のうちどの程度をNetflixのデータ内で再識別できるかを示したものではありません。また一意に絞り込んだ記録が本当に同一人物のものかを判定する手段（正解）がない以上、原理的には誤対応の可能性を完全には排除できません。ただし、公開された映画評価を手がかりとして、Netflixの匿名データ内から特定の人物に対応する記録を実際に見つけられることを示した概念実証※として位置付けられています。

IMDbで一部の映画評価を公開している人であっても、Netflixで評価したすべての作品を公表したいとは限りません。

しかし、IMDbの公開情報からNetflixの識別番号が特定されると、その番号に記録されているほかの映画評価も、同じ人物のものとして見られる可能性があります。

NarayananとShmatikovは、IMDbの公開情報とNetflixの記録を照合することで、本人が公開していなかった映画評価が明らかになり、そこから政治的志向や宗教的見解、さらには性的な嗜好などに関するセンシティブな情報が推測され得ると指摘しました。[3]

映画の好みだけで、その人の考え方や属性を断定することはできません。それでも、政治、宗教、性的指向などをテーマとする作品の視聴・評価履歴は、本人にとって知られたくない情報である場合があります。

Netflix Prizeの目的は、実際の利用者による詳細な評価データを使い、より優れた推薦技術を開発することでした。

一方で、再識別を防ぐために評価や日付を大きく変更したり、多くの情報を削除したりすると、実際の評価傾向が失われ、推薦アルゴリズムの開発に使いにくくなります。

つまり、データを詳細なまま公開すれば分析上の価値（有用性※）は高くなりますが、個人の記録を見分けられる危険も高まります。反対に、データを大きく加工すれば安全性は高まる可能性がありますが、分析に利用できる情報が減ってしまいます。両者はトレードオフ※の関係にあると言えます。

Netflix Prizeの事例は、データの有用性を保ちながら、どのように利用者のプライバシーを守るかという難しい課題を示しました。

第1回Netflix Prizeは2009年に終了し、目標となる10％以上の改善を達成したチームに100万ドルの賞金が授与されました。

Netflixはその後、さらに新しいデータを使用した第2回コンテストを計画していました。しかし、第1回コンテストのデータ公開をめぐってプライバシー侵害を主張する訴訟が起こる一方、米国連邦取引委員会（FTC）も、第2回で予定されていたデータ公開について、外部情報との照合によって利用者が再識別される可能性などを問題視しました。FTCは2009年10月、Netflixに連絡し、第2回コンテストに伴うプライバシー上の懸念について協議を行いました。[4]

Netflixは2010年3月、訴訟の和解や連邦取引委員会との合意を受け、第2回コンテストを実施しないことを発表しました。

Netflix Prizeのデータには、氏名や住所などの直接的な識別情報は含まれていませんでした。

それでも、映画の評価、評価点、評価日という情報を外部のデータと組み合わせることで、特定の人物に対応する記録を見つけられる可能性が示されました。

この事例は、個人に関するデータを公開するときには、データの中に氏名が含まれているかどうかだけでなく、次のような点も検討する必要があることを示しています。

• 一人ひとりの記録がどの程度特徴的であるか
• 外部に同じ人物の情報が公開されていないか
• 複数のデータを照合した場合に何が分かるか
• 特定された後に、本人が公開していない情報まで明らかにならないか

こうした点は、個人の行動データがあらゆる場所に蓄積される今日では、いっそう重要になっています。現在では、SNS、レビューサイト、購買履歴、位置情報など、個人の行動に関するデータがさまざまな場所に蓄積されています。一つひとつのデータだけでは個人を特定できないように見えても、別のデータと組み合わせることで、誰の情報であるかが分かる場合があります。Netflix Prizeの事例は、データそのものだけでなく、外部に存在する情報との組み合わせまで含めて、プライバシーへの影響を考える必要があることを示しています。

• 概念実証・・・考えた方法や技術が実際に成り立つかどうかを、小規模な実験や試行によって確かめること。研究や技術開発の初期段階で、その方法が実現可能かを確認するために行われます。
• 有用性・・・データが研究や分析、サービス改善などにどれだけ役立つかという性質。プライバシー保護のためにデータを大きく加工・削除すると、安全性は高まる一方で、有用性が低下する場合があります。
• トレードオフ・・・一方を高めると、もう一方が低下するなど、両方を同時に最大化することが難しい関係。今回の事例では、データの有用性を保つことと、再識別のリスクを抑えることの間にトレードオフがあります。

• 再識別（第1回）
• 匿名化（第3回）
• 攻撃者（第4回）

1. Netflix, “Netflix Recommendations: Beyond the 5 stars (Part 1),” Netflix Tech Blog, 2012.
2. Netflix, “Netflix Prize data,” Kaggle.
3. Arvind Narayanan and Vitaly Shmatikov, “Robust De-anonymization of Large Sparse Datasets,” Proceedings of the 2008 IEEE Symposium on Security and Privacy, pp. 111-125, 2008.
4. Federal Trade Commission, “Closing Letter to Reed Freeman, Esq., Counsel for Netflix, Inc.,” March 12, 2010.