[发明专利]一种基于差分隐私的社会化推荐方法

说明书

本发明公开了一种基于差分隐私的社会化推荐方法，一方面，将差分隐私运用于给用户推荐物品的社会化推荐系统，在做出数值型的评分预测的同时能够保护用户过去数值型评分记录的存在与否；另一方面，由于评分数据中有些评分可能会更加敏感，可以给不同敏感度的评分给予不同强度的隐私保护，使得敏感评分可以得到比普通评分更高的保护强度。

技术领域

本发明涉及物品推荐算法与隐私保护技术领域，尤其涉及一种社会化推荐方法。

背景技术

今天，随着移动网络和电子商务的快速发展，我们正处在一个信息过载的时代，仅靠人们自己去在众多备选中快速有效地找到感兴趣的东西也变得越来越困难。推荐系统基于用户对物品的评分历史信息，来推测用户的偏好，自动给用户推荐最有可能会喜欢的东西，辅助用户更为轻松快速地挑选到自己想要的东西或是在众多备选之中做出更好的选择。

传统的推荐系统基于用户自己的历史评分来给用户进行推荐，但在实际应用时会遇到用户冷启动的问题。用户冷启动问题指的是当一个新的用户增加到系统中时，由于系统中缺乏关于这些新用户的历史信息，因而难以对其特点进行分析从而做出预测。

随着社交网络规模的不断发展，用户除了对物品进行打分，还会与其他用户产生人际关系，例如关注某个用户或是与某个用户成为好友。这些人际关系可以组成用户之间的信任网络。社会化推荐算法除了使用用户的评分数据以外，也使用这些信任网络的信息作为补充信息，来缓解用户冷启动问题。社会化推荐算法认为用户的喜好会受他所信任的人的影响导致相互信任的用户趋向于有相似的偏好，因此在预测某个用户对某个物品的评分时，不仅基于该用户的历史评分，还考虑了该用户所信任的人的评分。此外，使用社会化推荐算法的另一动机是有研究表明相比于在线推荐系统基于用户行为相似性所做出的推荐结果，用户更倾向于接受他们所信任的人给出的推荐。

虽然推荐系统可以给用户带来巨大的便利，但由于做出推荐时需要基于用户的历史数据，因此也会带来隐私泄露的问题。例如，推荐系统中的恶意用户可能会对推荐系统中其他用户的隐私信息感到好奇，他们可以通过观测该推荐系统给出的推荐结果去推测出系统中其他用户的评分记录，从而获得其他用户的个人隐私信息。此外，在社会化推荐系统中，由于用户可以选定他们自己信任的用户，并且这些用户往往是他们熟悉的人，由此使得恶意用户进行推断攻击时可以将目标限定在一个某个更小范围内的用户并且泄露出的隐私信息往往是关于他们熟悉的人的，使得隐私泄露这一问题更加敏感。