本論文は、推薦システムにおける個人情報の最小化の原則を適用する問題を扱う。推奨システムは膨大な個人データに依存するため、個人情報の最小化の原則を適用することは困難な課題です。本論文は,暗黙的フィードバック推論データの最小化に関する実行可能性研究を行い,新しい問題定義を提示し,様々な最小化手法を分析し,その効果に影響を及ぼす主な要素を調査する。パフォーマンスを低下させることなく、大幅な推論データの削減が技術的に可能であることを示しています。ただし、その実用性は、技術的な設定（パフォーマンス目標、モデルの選択など）とユーザーの特性（履歴サイズ、好みの複雑さなど）に大きく依存します。したがって、技術的実行可能性を実証したが、データの最小化は依然として実質的に困難であり、技術的およびユーザの文脈への依存性のために、データの「必要性」の普遍的な標準を実装することは困難であると結論付けている。
