[发明专利]基于关联规则满足用户隐私保护的个性化推荐方法及系统

权利要求书

1.一种差分隐私下的关联规则挖掘方法，其步骤包括：

(1)应用维规约技术得到原始数据的规约表示，并采用拉普拉斯机制或者指数机制保证规约过程满足ε₁-差分隐私；

(2)应用闭频繁模式挖掘技术构建规约数据对应的前缀树，并利用拉普拉斯机制扰动频繁模式对应的支持度计数，保证满足ε₂-差分隐私；同时利用一致性约束后置处理保证输出结果的可用性；

(3)挖掘前缀树，获得满足ε-差分隐私的频繁模式集合及其对应的支持度计数；其中ε＝ε₁+ε₂；

(4)应用关联规则发现算法，获得满足最小支持度和最小置信度，以及ε-差分隐私的强关联规则集合。

2.根据权利要求1所述方法，其特征在于：步骤(1)应用维规约技术和差分隐私的拉普拉斯机制或者指数机制，获得原始数据集的规约表示及规约后的最大记录长度，满足差分隐私保护。

3.根据权利要求1所述方法，其特征在于，步骤(1)所述拉普拉斯机制为：对于任一个函数f:D→R^d，若算法K的输出结果满足下列等式，则K满足ε-差分隐私保护，

K(D)＝f(D)+<Lap₁(Δf/ε),…,Lap_d(Δf/ε)>

其中，Lap_i(Δf/ε)(1≤i≤d)是相互独立的拉普拉斯变量，对应概率密度函数为p(x|b)＝(1/2b)exp(-|x|/b)；噪音大小与Δf成正比，与ε成反比，即全局敏感性越大，所添加噪音越大。

4.根据权利要求1所述方法，其特征在于，步骤(1)所述指数机制为：给定一个打分函数u:(D×O)→R，若算法K满足下列等式,则K满足ε-差分隐私保护，

K(D,u)={r|Pr[r∈O]∝exp(ϵu(D,r)2Δu)}]]>

其中，Δu为打分函数u(D,r)的全局敏感性，r表示从输出域O中所选择的输出项，打分越高，被选择输出的概率越大。

5.根据权利要求1所述方法，其特征在于：步骤(4)所述关联规则发现算法，首先找出所有的频繁模式及其支持度计数，然后由频繁模式产生强关联规则，所述频繁模式的支持度计数满足预定义的最小支持度计数阈值。

6.一种采用权利要求1所述方法的满足用户隐私保护的个性化推荐方法，其步骤包括：

(1)获得一段时间内用户的历史行为数据；

(2)将用户的历史行为数据按照关联规则挖掘的需求进行预处理；

(3)采用权利要求1所述差分隐私下的关联规则挖掘方法对预处理过的数据进行挖掘，生成关联规则集合；

(4)依据步骤(3)产生的关联规则数据生成推荐列表，并依据推荐列表为目标用户提供个性化的推荐服务。

7.一种采用权利要求6所述方法的基于用户隐私保护的个性化推荐系统，其包括：

数据采集模块，用于获得一段时间内用户的历史行为数据；

数据准备模块，用于将用户的历史行为数据按照关联规则挖掘的需求进行预处理；

规则挖掘模块，用于采用权利要求1所述差分隐私下的关联规则挖掘方法对预处理过的数据进行挖掘，生成关联规则集合；

推荐系统模块，用于依据规则挖掘模块产生的关联规则数据生成推荐列表，并依据推荐列表为目标用户提供个性化的推荐服务。