Este artículo propone un método para cuantificar el riesgo de privacidad de los datos de entrenamiento para sistemas de recomendación (RecSys). El sistema RecSys actual utiliza datos sensibles de interacción usuario-elemento, pero carece de protección de la privacidad. Si bien los usuarios tienen derecho a retener información sensible sobre sus interacciones, el problema radica en la dificultad de determinar cuáles son más sensibles. Por lo tanto, este artículo propone RecPS, un método de medición de la puntuación de privacidad basado en ataques de inferencia de membresía (MIA). RecPS mide el riesgo de privacidad tanto a nivel de interacción como de usuario, y la puntuación a nivel de interacción se deriva del concepto de privacidad diferencial. Su componente principal es RecLiRA, un método MIA a nivel de interacción que proporciona una estimación de membresía de alta calidad. Los resultados experimentales demuestran que la puntuación RecPS es eficaz para la evaluación de riesgos y el desentrenamiento de los modelos RecSys.
