[发明专利]协同过滤推荐方法、装置、电子设备及存储介质

说明书

本发明涉及一种协同过滤推荐方法、装置、电子设备及存储介质，该方法包括：从受益方获取受益方数据，和从贡献方获取脱敏贡献方数据；使用增强邻域算法对受益方数据和脱敏贡献方数据进行合并，得到增强邻域集合；基于所述受益方数据、所述脱敏贡献方数据以及所述增强邻域集合，生成所述受益方的预测推荐结果。本发明通过从贡献方获取经过差分隐私保护的数据，得到了表现出相似兴趣的用户的数据，并使用基于增强邻域集合训练得到预测推荐模型给出推荐结果，从而在解决新部署的推荐系统的冷启动等稀疏问题的同时保护用户的隐私。

技术领域

本发明涉及计算机专业的推荐算法领域，尤其涉及一种协同过滤推荐方法、装置、电子设备及存储介质。

背景技术

网络平台等会使用推荐算法，根据对用户的了解，预测用户可能感兴趣的内容，为用户自动生成个性化的推荐，随着互联网技术的发展，个性化推荐的应用越来越广泛。

协同过滤(collaborative filtering，CF)作为一种核心的推荐技术，利用已有的用户群过去的行为或者意见预测当前用户最可能喜欢哪些东西或者对哪些东西感兴趣。CF方法的基本假设是，个人品味是相关的，如果一些用户过去有相似的偏好，那么这些用户在未来也会有相似的偏好，用户的偏好会在一段时间内保持一致。与基于内容的方法相比，CF不需要识别项目的内容信息或显式定义的用户首选项，因此更加灵活和易于实现。

然而，传统的协同过滤方法存在稀疏和冷启动问题，特别是对于新部署的推荐器，即由于缺乏相关表现出相似兴趣的用户的数据，而不能给出合适的推荐。此外在基于用户的数据生成推荐时，存在泄露用户隐私的风险。

发明内容

本发明的目的是提供一种协同过滤推荐方法、装置、电子设备及存储介质，用以解决上述至少部分问题。

具体地，本发明实施例提供了以下技术方案：

第一方面，本发明实施例提供了一种协同过滤推荐方法，包括：

从受益方获取受益方数据，从贡献方获取脱敏贡献方数据；

使用增强邻域算法对所述受益方数据和所述脱敏贡献方数据进行合并，得到增强邻域集合；

基于所述受益方数据、所述脱敏贡献方数据以及所述增强邻域集合，生成所述受益方的预测推荐结果。

根据本发明第一方面提供的协同过滤推荐方法，还包括：

通过计算在用户项目矩阵中包括非空元素的每个项目对的灵敏度，得到所述贡献方数据的最大灵敏度；

基于所述最大灵敏度，得到所述贡献方数据的平滑灵敏度；

基于所述平滑灵敏度，对所述贡献方数据添加噪声，得到所述脱敏贡献方数据。

根据本发明第一方面提供的协同过滤推荐方法，基于所述受益方数据、所述脱敏贡献方数据以及所述增强邻域集合，生成所述受益方的预测推荐结果，包括：

基于所述受益方数据和所述脱敏贡献方数据生成预测推荐模型；其中，所述预测推荐模型是基于隐语义模型结合所述增强邻域集合构建的；

基于所述受益方数据与所述预测推荐模型，为所述受益方生成预测推荐结果。

根据本发明第一方面提供的协同过滤推荐方法，所述受益方数据包括：

所述受益方的每个项目的邻域的集合；以及

所述受益方的用户项目矩阵中非空元素占所有元素的比例。

根据本发明第一方面提供的协同过滤推荐方法，所述脱敏贡献方数据包括：

经过隐私保护的所述贡献方的每个项目的邻域的集合；以及