[發(fā)明專(zhuān)利]基于位置服務(wù)的分布式差分隱私推薦方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201910567967.0
• 申請(qǐng)日: 2019-06-27
• 公開(kāi)（公告）號(hào): CN110825955A
• 公開(kāi)（公告）日: 2020-02-21
• 發(fā)明（設(shè)計(jì)）人: 鄭孝遙;汪祥舜;朱德義;孫麗萍;俞慶英;汪小寒;羅永龍
• 申請(qǐng)（專(zhuān)利權(quán)）人: 安徽師范大學(xué)
• 主分類(lèi)號(hào): G06F16/9535
• 分類(lèi)號(hào): G06F16/9535;G06F16/9537;G06F21/60;G06F21/62;H04L29/06;H04L29/08
• 代理公司: 蕪湖安匯知識(shí)產(chǎn)權(quán)代理有限公司 34107
• 代理人: 朱圣榮

本發(fā)明揭示了一種基于位置服務(wù)的分布式差分隱私推薦方法，該方法能夠解決傳統(tǒng)的推薦系統(tǒng)已不能很好地適應(yīng)基于位置的推薦服務(wù)，同時(shí)也面臨隱私泄露的問(wèn)題。其利用分布式隱私保護(hù)推薦框架，以及差分隱私保護(hù)理論，設(shè)計(jì)基于分布式框架的奇異值分解推薦算法，同時(shí)利用保序加密函數(shù)實(shí)現(xiàn)用戶請(qǐng)求位置的保護(hù)，來(lái)達(dá)到隱私保護(hù)的目的，同時(shí)本發(fā)明也具有較好的推薦性能。

技術(shù)領(lǐng)域

本發(fā)明涉及推薦系統(tǒng)和隱私保護(hù)領(lǐng)域，尤其涉及一種基于位置服務(wù)的分布式差分隱私推薦方法。

背景技術(shù)

隨著移動(dòng)互聯(lián)網(wǎng)和智能終端技術(shù)的迅速發(fā)展，基于位置服務(wù)(Loacation- basedService,LBS)得到了廣泛研究和應(yīng)用。目前移動(dòng)用戶可以使用智能終端中的GPS技術(shù)，感知自己的地理位置，同時(shí)通過(guò)向LBS服務(wù)提供商發(fā)送自己的位置信息，向服務(wù)提供商請(qǐng)求個(gè)性化的服務(wù)，最常見(jiàn)的有興趣點(diǎn)推薦、地圖導(dǎo)航等。

用戶在獲取個(gè)性化服務(wù)的同時(shí)，需要向服務(wù)提供商提供自己的位置信息，同時(shí)服務(wù)提供商會(huì)根據(jù)用戶的歷史消費(fèi)記錄，計(jì)算用戶的偏好，從眾多的項(xiàng)目中推薦出用戶潛在感興趣的，符合用戶位置約束需求的項(xiàng)目。因此用戶在此過(guò)程中，面臨著兩個(gè)隱私泄露的威脅：一是用戶地理位置隱私泄露問(wèn)題；二是用戶偏好信息泄露的風(fēng)險(xiǎn)。

目前，面向位置服務(wù)推薦系統(tǒng)的隱私保護(hù)方法主要分為泛化、數(shù)據(jù)擾動(dòng)和加密三種類(lèi)型。對(duì)用戶的位置信息進(jìn)行泛化處理，存在面對(duì)新型攻擊時(shí)安全性較低的問(wèn)題；數(shù)據(jù)擾動(dòng)方存在保護(hù)能力不足的問(wèn)題；同態(tài)加密算法也存在計(jì)算復(fù)雜度高，在大規(guī)模數(shù)據(jù)集中應(yīng)用推薦效率低的問(wèn)題。

發(fā)明內(nèi)容

本發(fā)明針對(duì)傳統(tǒng)的推薦系統(tǒng)已不能很好的適應(yīng)基于位置的推薦服務(wù)，同時(shí)也面臨隱私泄露的問(wèn)題，實(shí)現(xiàn)一種分布式隱私保護(hù)推薦框架，并利用差分隱私保護(hù)理論，設(shè)計(jì)基于分布式框架的奇異值分解推薦算法，同時(shí)利用保序加密函數(shù)實(shí)現(xiàn)用戶請(qǐng)求位置的保護(hù)。

為了實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案為：基于位置服務(wù)的分布式差分隱私推薦方法，包括以下步驟：

步驟S11、構(gòu)成分布式推薦系統(tǒng)架構(gòu)對(duì)歷史評(píng)分?jǐn)?shù)據(jù)和位置隱私信息進(jìn)行隱私保護(hù)；

步驟S12、所構(gòu)成的分布式推薦系統(tǒng)架構(gòu)使用云計(jì)算服務(wù)模式，把用戶的評(píng)分信息采用分布式保護(hù)處理后存儲(chǔ)在各個(gè)云端的推薦服務(wù)器中；

步驟S13、添加噪聲，實(shí)現(xiàn)差分隱私保護(hù)；

步驟S14、通過(guò)Gen，Der，Enc和Cmp四個(gè)函數(shù)實(shí)現(xiàn)保序加密；

步驟S15、用戶端執(zhí)行無(wú)約束的隨機(jī)切片算法；

步驟S16、用戶端執(zhí)行具有約束的等級(jí)隨機(jī)切片算法；

步驟S17、將分片評(píng)分發(fā)送給各個(gè)分布式推薦服務(wù)器，第二階段執(zhí)行用戶的推薦請(qǐng)求；

步驟S18、執(zhí)行輸入擾動(dòng)隨機(jī)梯度下降算法，得到添加了隱私保護(hù)的用戶和項(xiàng)目潛在特征向量矩陣P_k^m×f和Q_k^n×f；

步驟S19、位置服務(wù)器端隱私保護(hù)模型，實(shí)現(xiàn)位置請(qǐng)求服務(wù)的隱私保護(hù)。

所述步驟S11中，分布式推薦系統(tǒng)架構(gòu)主要基于奇異值分解方法構(gòu)建，模型如公式1：

其中Test表示用戶u對(duì)項(xiàng)目i的評(píng)價(jià)集合的訓(xùn)練集，p_u和q_i表示用戶和項(xiàng)目的潛在因子特征值向量，Ψ表示模板函數(shù)，r表示預(yù)測(cè)評(píng)分變量，p表示用戶潛在特征因子變量，q表示項(xiàng)目潛在特征因子變量，T表示矩陣轉(zhuǎn)置，λ表示正則化參數(shù)。

所述步驟S12中,分布式推薦系統(tǒng)架構(gòu)運(yùn)行流程包括：