[发明专利]一种基于差分隐私保护的集成推荐方法

说明书

本发明公开了一种基于差分隐私保护的集成推荐方法，其步骤包括：1、从评分网站上获取用户对项目的历史评分数据信息；2、对评分数据加入含隐私分配的噪声，进行预处理操作，得到预处理后的评分矩阵3、计算原始评分矩阵的用户相似度矩阵，选取与当前服务用户最相似的top‑k个用户；4、集成协同过滤和矩阵分解方法，对预处理后的评分矩阵进行训练，得到预测评分矩阵依次有序推荐给服务用户。本发明能有效解决现有隐私保护推荐方案中推荐效果不佳和隐私安全性差的问题，从而可以为用户提供安全且高效的推荐。

技术领域

本发明涉及到信息安全与机器学习技术领域，具体涉及一种基于差分隐私集成用户协同过滤和矩阵分解的推荐方法。

背景技术

随着互联网技术的快速发展，互联网上各类应用的评分信息呈现爆发式的增长，例如像电影评分信息。推荐系统技术扮演着越来越重要的角色，可以根据用户的评分信息，来预测用户的行为信息，为其提供个性化推荐服务。

推荐系统通过分析用户的历史评分信息，来预测用户的行为信息，来对其提供个性化的推荐服务，使得用户有一个非常好的服务体验。由于要对用户的评分信息进行分析，如果用户的评分信息泄露，将会导致用户的隐私泄露。如果用户信息大量的泄露，会导致用户的体验感下降，不愿意将自己的信息分享给推荐系统，导致推荐服务质量下降。所以，不但要提高推荐服务的质量，还需要保护用户的隐私信息。

目前用到的隐私推荐方法大多基于加密技术来实现的，但这些加密技术有一个缺陷，它们都是基于攻击者有一定的背景知识限制。同时加密解密技术需要大量的计算开销，也增加推荐系统的计算开销成本。

发明目的

本发明为了克服现有技术存在的不足之处，提出了一种基于差分隐私保护的集成推荐方法，以期望能有效解决现有隐私保护推荐方案中推荐效果不佳和隐私安全性差的问题，从而可以为用户提供既安全且高效的推荐。

本发明为解决技术问题所采用的技术方案是：

本发明一种基于差分隐私保护的集成推荐方法的特点是按如下步骤进行：

步骤一、从评分网站上获取用户对项目的历史评分数据集：

所述评分数据集上有n个用户，记为User＝{u₁,u₂,...,u_i,...,u_n}，其中u_i表示第i个评分用户，1≤i≤n；所述评分数据集上有m个项目，记为Item＝{v₁,v₂,...,v_j,...,v_m}，其中v_j表示第j个评分项目，1≤j≤m；将所述评分数据集中第i个用户u_i对第j个项目v_j的评分数据记为r_ij，从而得到所有用户对所有项目的评分数据所组成的评分矩阵R_n×m；

步骤二、对评分数据集加入含隐私分配的噪声，得到预处理后的评分矩阵

步骤2.1、利用式(1)计算评分矩阵R_n×m加噪后的全局平均G_Avg：

式(1)中，|R|表示评分矩阵R_n×m中有效评分值的计数，r_min表示评分矩阵R_n×m中的评分最小值，r_max表示评分矩阵R_n×m中的评分最大值，ε₁表示第一隐私预算参数，Laplace()表示拉普拉斯噪声的随机生成函数，并有：