[發明專利]一種基于個性化差分隱私保護的推薦方法

在審

• 申請號: 202110642458.7
• 申請日: 2021-06-09
• 公開（公告）號: CN113204793A
• 公開（公告）日: 2021-08-03
• 發明（設計）人: 張全貴;孫玲玉;李鑫
• 申請（專利權）人: 遼寧工程技術大學
• 主分類號: G06F21/62
• 分類號: G06F21/62;G06F16/9535;G06F16/9536;G06F17/16;G06K9/62
• 代理公司: 北京華夏正合知識產權代理事務所(普通合伙) 11017
• 代理人: 韓登營;韓惠琴

1.一種基于個性化差分隱私保護的推薦方法，其特征在于，包括以下步驟：

S1、數據的采集及劃分：將處理好的數據集隨機選取80％的歷史交互作為訓練集，用于訓練模型；其余作為測試集，從訓練集中隨機選取10％的交互作為驗證集，用于調整超參數；

S2、PPCF算法的構造：個性化差分隱私的協同過濾算法通過用戶的鄰域以預測用戶評分首先利用Johnson Lindenstrauss變換的隨機預處理方法，將原始評分矩陣從高維降為低維，得到降維矩陣G；然后計算用戶間的相似度，并使用拉普拉斯噪聲擾動相似度的值，并基于擾動的相似度選取k個最近鄰域用戶；基于這k個鄰域用戶以預測評分

S3、隨機采樣：根據用戶的隱私偏好級別以決定用戶評分隨機抽樣的概率，對原始評分矩陣的數據進行隨機抽樣，可以得到隨機抽樣后的評分矩陣D_RS；

S4、隱私保護的集成推薦算法：將步驟S2階段得到的基于鄰域預測評分和步驟S3階段得到的評分矩陣D_RS作為輸入，先運行不帶差分隱私保護的集成推薦算法，可以得到原始的用戶因子矩陣P和項目因子矩陣Q，將用戶因子矩陣P進行保密存儲；然后，將得到的項目因子矩陣Q代入到基于個性化差分隱私的集成推薦算法，獲得擾動后的項目因子矩陣

S5、生成推薦：通過用戶因子矩陣P和項目因子矩陣得到預測評分矩陣再利用預測評分矩陣向用戶推薦若干個項目。

2.如權利要求1所述的基于個性化差分隱私保護的推薦方法，其特征在于，所述步驟S1的數據采集及劃分的具體步驟如下：

S101、將下載的Netflix電影數據集進行數據預處理；

S102、將數據按照8:1:1的比例分別劃分訓練集、測試集和驗證集。

3.如權利要求1所述的基于個性化差分隱私保護的推薦方法，其特征在于，所述步驟S2中PPCF算法的構造的具體步驟如下：

S201、數據的預處理：首先是通過對高斯分布N(0，1/m)中的每個原始評分進行采樣構造了一個過渡矩陣A，其次是通過將原始矩陣與過渡矩陣相乘得到新評分矩陣，將新評分矩陣的維度降到了d維；

S202、相似度擾動處理：采用拉普拉斯機制噪聲對相似度進行擾動，以保護用戶的隱私；

S203、隱私參數的選擇：由于不同用戶對隱私的需求不同，在個性化的隱私保護中，用戶會根據自己的隱私需求來設定自己的隱私保護級別，計算任意兩個用戶之間的相似度時，由于隱私預算是根據用戶變化的，所以通常會選擇較小的隱私預算值，這樣可以同時保證兩個用戶的隱私，公式如下：

其中ε_p是用戶u_i的隱私級別，ε_x是用戶u_x的隱私級別；

S204、PPCF算法：個性化差分隱私的協同過濾算法通過用戶的鄰域以預測用戶評分基于擾動的相似度選取k個最近鄰域用戶來預測評分

4.如權利要求1所述的基于個性化差分隱私保護的推薦方法，其特征在于，所述步驟S3中隨機采樣的具體步驟如下：

S301、采樣機制：通過用戶的個人隱私偏好，以一定的概率進行采樣，根據用戶的隱私偏好級別，決定用戶評分隨機抽樣的概率，然后對原始評分數據進行隨機抽樣，最后輸出采樣后的評分矩陣D_RS，并將其中未抽樣的評分置為零，抽樣概率為π(r_ij)，計算公式如下：

其中t稱為個性化隱私參數，其取值范圍為min(ε_ij)≤t≤max(ε_ij)，并且t的值是一個可變參數。

5.如權利要求1所述的基于個性化差分隱私保護的推薦方法，其特征在于，所述步驟S4中隱私保護的集成推薦算法的具體步驟如下：

其中p_i表示用戶因子矩陣P的第i個列向量，q_j表示項目因子矩陣Q的第j個列向量，μ為調節參數，η為樣本噪聲矢量，γ為學習率，t為取樣閾值。

6.如權利要求1所述的基于個性化差分隱私保護的推薦方法，其特征在于，所述步驟S5中生成推薦的具體步驟如下：

S501、由步驟S4得到用戶因子矩陣P和擾動項目因子矩陣利用P和得到預測評分矩陣利用預測評分矩陣向用戶提供推薦服務。