[发明专利]一种基于不经意传输的社会化推荐方法

说明书

技术领域

本发明涉及安全多方计算领域，特别是涉及一种基于不经意传输的社会化推荐方 法。

背景技术

基于邻域的算法是推荐系统中最基本的算法，该算法不仅在学术界得到了深入研 究，而且在业界也得到了广泛应用。基于邻域的算法分为两大类：一类是基于用户的协同过 滤算法，另一类是基于物品的协同过滤算法。

协同过滤方法主要根据用户的历史行为和兴趣来预测用户未来的行为，因此大量 的用户历史行为数据成为推荐系统的重要组成成分和先决条件。对于许多在初始阶段的网 站而言，没有大量用户数据的积累，协同过滤方法不能够很好的发挥出效果。

基于邻域的社会化推荐算法，通常默认用户的社交网络拓扑图来自完全安全可信 的提供商，RBS可以完全不受拘束的使用社交网络拓扑数据进行社会化推荐。但更多情况 下，RBS仅持有用户历史行为数据信息，社交网络拓扑信息需要通过第三方的API获取（比如 Facebook’sOpenGraph,TwitterAPI,etc）。而在现实生活中，完全可信赖的第三方这 一假设通常是不成立的。由此可见，一个安全可靠的多方合作的社会化推荐方案十分必要。

Yao在文献“Howtogenerateandexchangesecrets”中首次提出了安全两方计 算的概念，并且设计出了第一个安全两方比较协议-百万富翁协议。该协议使得两个参与方 能够在不泄露个人输入的情况下，比较出两方所持有数据的大小关系。他同时在该文献中 指出，任何安全两方的计算协议，均可以通过电路门实现。到目前为止，基于Yao的Garbled Circuits原理，学者们已经设计出包括：安全多方求和，安全多方求差，安全多方求积以及 安全多方比较等一系列基本操作模块。

发明内容

本发明主要解决的技术问题是提供一种基于不经意传输的社会化推荐方法，通过 在不泄露任一参与方私有数据的前提下，不经意传输、合作完成个性化的社会化推荐，基于 好友关系的推荐可以增加推荐的信任度，利用社交网络可以有效解决传统推荐方法的冷启 动问题，安全性高、适应性强，在基于不经意传输的社会化推荐方法的普及上有着广泛的市 场前景。

为解决上述技术问题，本发明采用的一个技术方案是：

提供一种基于不经意传输的社会化推荐方法，其步骤包括：（1）将作为参与方的社交网络服务提供商端设置为SN、电子商务提供商端设置为RBS，用户的社交网络拓扑图设置为SocialGraph，SN持有所有用户之间的社交关系网络拓扑图，RBS持有用户历史行为数据，是所有的用户节点集合，是用户好友关系的边集合，是物品id集合，是用户与物品之间的关系集合，是边的权重，设置推荐物品个数为k；

（2）利用不经意传输算法，SN和RBS合作计算出每个物品的预测得分；

（2.1）SN持有所有用户的社交关系数据，RBS持有用户历史行为数据，用户历史行为数据即用户历史购买记录；对于目标用户u，SN可以根据事先确定好的相似度计算方法计算出sim(u,v)，其中，v是除用户u之外的所有其他用户，而除了用户u以外，一共有m个用户；当物品为i，SN端持有相似度向量SIM={sim（u,）,sim(u,),…,sim(u,)},表示用户，一直到用户分别相对于用户u的相似度，表示第m个用户；RBS持有物品i的评分向量={w（，i），w(,i),…,w(,i)},表示用户，一直到用户分别对物品i的评分，表示第m个用户；对于目标用户u而言，物品i的推荐得分s（u，i）为对应位积之和；RBS将所有用户的历史行为数据记录在记录矩阵中，并将记录矩阵的分布情况共享给SN，同样SN也需要将自己的数据分布情况共享给RBS，即两方只计算和的项，并不是对所有的元素进行OT乘法操作，其中，记录矩阵的分布情况为0时，则用户未曾购买过物品，记录矩阵的分布情况为1时，则用户购买过物品；

（2.2）利用不经意传输协议安全包装自己的数据：

（2.2.1）RBS随机生成个环元素s₀,…，，a表示SocialGraph中的某个用户u与另一个用户之间的相似度值，b表示HistoryRecords中物品I的一个用户评分，a,b∈R，根据，分别计算二元组(，)，其中，0≤i<ρ，i为自然数；

（2.2.2）SN根据a的二进制表示…，利用不经意传输协议从RBS中得到；SN计算，RBS端计算，以此将自己的数据完成安全的封装，得到关于相似度值得分x，以及关于评分记录得分y；