[发明专利]一种基于差分隐私的局部高阶图聚类方法

权利要求书

1.一种基于差分隐私的局部高阶图聚类方法，其特征在于，包括以下步骤：

步骤1，获取社交网络数据集，即有向图G(V,E)，选取三角Motif模型中的M₇连接结构，作为有向图G(V,E)的高阶网络子图Motif结构；构建Motif邻接矩阵，权重矩阵W_M；采用差分隐私算法，对有向图的Motif权重矩阵中Motif结构个数进行干扰，得到具有隐私保护的有向图G_λ'；

其中，V为节点集，E为边集；

步骤2，采用近似热核页面排名种子节点算法对具有隐私保护的有向图G_λ'进行基于热核页面的随机游走，得到节点的近似热核向量

步骤3，采用局部聚类算法对每个近似热核向量进行切割，得到近似热核向量的局部聚类，即得到有向图G(V,E)的局部聚类集合，完成有向图G(V,E)的局部聚类。

2.根据权利要求1所述的一种基于差分隐私的局部高阶图聚类方法，其特征在于，步骤1包含以下子步骤：

子步骤1.1，构建Motif权重矩阵W_M，其具体为：计算有向图G(V,E)中从节点v_i到节点v_j之间的所有路径中生成的Motif结构的数量，并将其作为邻接矩阵中对应节点之间的权重w，生成Motif权重矩阵W_M；

子步骤1.2，采用差分隐私算法，对有向图的Motif权重矩阵W_M中的Motif个数进行干扰，得到扰动后的权重矩阵W_M'，即得到具有隐私保护的有向图G_λ'。

3.根据权利要求2所述的一种基于差分隐私的局部高阶图聚类方法，其特征在于，子步骤1.2包含以下子步骤：

子步骤1.2.1，构造新的有向图G_λ，使新的有向图G_λ中Motif结构个数的上限为λ；其具体步骤为：

首先，分别计算与每个节点v_i连接的Motif结构个数Tri_i(G)＝w_i；

然后，对于v_i∈V，判断与每个节点v_i连接的Motif结构个数w_i是否大于上限λ，若w_i≥λ，则删除与v_i连接的节点中Motif结构个数大于λ的边，否则，保留节点v_i与对应节点之间的边；从而得到新的有向图G_λ；

子步骤1.2.2，对新的有向图G_λ中的Motif结构个数添加拉普拉斯噪声干扰，得到扰动后的权重矩阵W_M'；

其中，Lap(·)表示拉普拉斯机制概率密度函数，ε为Motif分配的隐私预算；

进而得到具有隐私保护的有向图G_λ'。