[发明专利]基于位置服务的分布式差分隐私推荐方法

说明书

本发明揭示了一种基于位置服务的分布式差分隐私推荐方法，该方法能够解决传统的推荐系统已不能很好地适应基于位置的推荐服务，同时也面临隐私泄露的问题。其利用分布式隐私保护推荐框架，以及差分隐私保护理论，设计基于分布式框架的奇异值分解推荐算法，同时利用保序加密函数实现用户请求位置的保护，来达到隐私保护的目的，同时本发明也具有较好的推荐性能。

技术领域

本发明涉及推荐系统和隐私保护领域，尤其涉及一种基于位置服务的分布式差分隐私推荐方法。

背景技术

随着移动互联网和智能终端技术的迅速发展，基于位置服务(Loacation- basedService,LBS)得到了广泛研究和应用。目前移动用户可以使用智能终端中的GPS技术，感知自己的地理位置，同时通过向LBS服务提供商发送自己的位置信息，向服务提供商请求个性化的服务，最常见的有兴趣点推荐、地图导航等。

用户在获取个性化服务的同时，需要向服务提供商提供自己的位置信息，同时服务提供商会根据用户的历史消费记录，计算用户的偏好，从众多的项目中推荐出用户潜在感兴趣的，符合用户位置约束需求的项目。因此用户在此过程中，面临着两个隐私泄露的威胁：一是用户地理位置隐私泄露问题；二是用户偏好信息泄露的风险。

目前，面向位置服务推荐系统的隐私保护方法主要分为泛化、数据扰动和加密三种类型。对用户的位置信息进行泛化处理，存在面对新型攻击时安全性较低的问题；数据扰动方存在保护能力不足的问题；同态加密算法也存在计算复杂度高，在大规模数据集中应用推荐效率低的问题。

发明内容

本发明针对传统的推荐系统已不能很好的适应基于位置的推荐服务，同时也面临隐私泄露的问题，实现一种分布式隐私保护推荐框架，并利用差分隐私保护理论，设计基于分布式框架的奇异值分解推荐算法，同时利用保序加密函数实现用户请求位置的保护。

为了实现上述目的，本发明采用的技术方案为：基于位置服务的分布式差分隐私推荐方法，包括以下步骤：

步骤S11、构成分布式推荐系统架构对历史评分数据和位置隐私信息进行隐私保护；

步骤S12、所构成的分布式推荐系统架构使用云计算服务模式，把用户的评分信息采用分布式保护处理后存储在各个云端的推荐服务器中；

步骤S13、添加噪声，实现差分隐私保护；

步骤S14、通过Gen，Der，Enc和Cmp四个函数实现保序加密；

步骤S15、用户端执行无约束的随机切片算法；

步骤S16、用户端执行具有约束的等级随机切片算法；

步骤S17、将分片评分发送给各个分布式推荐服务器，第二阶段执行用户的推荐请求；

步骤S18、执行输入扰动随机梯度下降算法，得到添加了隐私保护的用户和项目潜在特征向量矩阵P_k^m×f和Q_k^n×f；

步骤S19、位置服务器端隐私保护模型，实现位置请求服务的隐私保护。

所述步骤S11中，分布式推荐系统架构主要基于奇异值分解方法构建，模型如公式1：

其中Test表示用户u对项目i的评价集合的训练集，p_u和q_i表示用户和项目的潜在因子特征值向量，Ψ表示模板函数，r表示预测评分变量，p表示用户潜在特征因子变量，q表示项目潜在特征因子变量，T表示矩阵转置，λ表示正则化参数。

所述步骤S12中,分布式推荐系统架构运行流程包括：