[发明专利]网络环境中的用户信息处理和资源推荐的方法和系统

说明书

技术领域

本发明涉及网络环境中的用户信息处理，尤其是网络环境中用户隐私的保护，更具体涉及一种用于网络网络中的用户信息处理的方法和装置，以及一种用于向用户推荐网络资源的方法和系统。 

背景技术

向量内积可表示向量之间的相似性和相关性，因此，在机器学习、信息检索(Information Retrieval)、推荐系统(Recommender System)等中得到了广泛的使用。例如，网络环境中的推荐系统，通过计算用户的偏好向量之间的内积来测量它们之间的相似性，从而发现用户的邻居并将用户聚类为组。余弦相关性和皮尔森相关性(Pearson Correlation)是常见的相似性度量。尽管它们的公式是不同的，但它们的实质部分都是向量内积。支持向量机(SVM)仅使用向量内积来构造决策超平面。向量内积的计算公式非常简单。如果向量A＝(a₁，a₂，...，a_n)，B＝(b₁，b₂，...，b_n)，则它们的内积是： 

<A,B>=Σi=0naibi,i=1...n,]]>

然而，在某些情况下向量内积的计算涉及隐私问题。例如，上述推荐系统所用的用户的偏好向量往往包含了用户的稳私信息，例如个人简档、交易记录、下载列表、浏览历史等等。在集中式系统中，中央服务器保存着所有用户的隐私信息，在这种情况下，用户只能寄希望于中央服务器是可信的。而在有的国家，当公司破产时，用户的信息可以被合法地出售以偿还债务。在p2p推荐系统中，用户必须承担将其隐私信息与其他信用并不可靠的用户共享的风险。另一个具体的例子是SmallBlue系统，该系统 可收集用户的电子邮件内容中的词。尽管该系统无法得到用户电子邮件的完整内容，但关键词可也以显示出用户的兴趣。 

涉及到网络环境中用户隐私信息保护的另一种场景是推荐系统的推荐过程。在该推荐过程中，推荐系统使用用户的邻居的资源偏好向量来形成该用户的推荐列表，所述资源偏好向量包含了诸如浏览历史、下载日志、交易、个人简档等隐私信息。在传统的推荐系统的推荐过程中，用户的邻居的隐私信息将暴露给该用户或中央服务器。 

可见，在本领域中需要一种在网络环境中计算用户偏好向量的内积以及推荐系统的推荐过程中等场景中保护用户隐私的解决方案。 

发明内容