[發(fā)明專利]一種基于個性化差分隱私保護(hù)的推薦方法

在審

• 申請?zhí)枺?/td>: 202110642458.7
• 申請日: 2021-06-09
• 公開（公告）號: CN113204793A
• 公開（公告）日: 2021-08-03
• 發(fā)明（設(shè)計）人: 張全貴;孫玲玉;李鑫
• 申請（專利權(quán)）人: 遼寧工程技術(shù)大學(xué)
• 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(chǎn)權(quán)代理事務(wù)所(普通合伙) 11017
• 代理人: 韓登營;韓惠琴

本發(fā)明公開了一種基于個性化差分隱私保護(hù)的推薦方法(PDP?IR)，該方法包括以下步驟：S1、數(shù)據(jù)采集及劃分；S2、基于個性化差分隱私保護(hù)的協(xié)同過濾(PPCF)算法的構(gòu)造；S3、隨機(jī)采樣；S4、隱私保護(hù)的集成推薦算法；S5、生成推薦。本發(fā)明將個性化差分隱私機(jī)制應(yīng)用到集成推薦算法中，考慮到每個用戶對各種項(xiàng)目的隱私級別的需求是不一樣的，PDP?IR方法能夠?yàn)橛脩籼峁﹤€性化隱私需求和項(xiàng)目級別的隱私保護(hù)，還可以提供高質(zhì)量地推薦服務(wù)。根據(jù)個性化差分隱私的定義，從理論上證明了PDP?IR方案是滿足個性化差分隱私的，從而保證了整個方案的隱私安全。

技術(shù)領(lǐng)域

本發(fā)明屬于數(shù)據(jù)挖掘和自然語言處理的技術(shù)領(lǐng)域，尤其涉及一種基于個性化差分隱私保護(hù)的推薦方法。

背景技術(shù)

最近二十年中，互聯(lián)網(wǎng)上的信息呈爆炸式增長，人們不可能通過搜索所有的網(wǎng)絡(luò)信息，去尋找自己想要獲取的信息。推薦系統(tǒng)能夠?yàn)橛脩籼峁﹤€性化的內(nèi)容和服務(wù)推薦，也能提高用戶的在線服務(wù)體驗(yàn)。推薦系統(tǒng)在電子商務(wù)中已經(jīng)得到廣泛應(yīng)用，可以為用戶提供商品推薦服務(wù)。推薦系統(tǒng)中最常用的算法是協(xié)同過濾算法，該算法利用用戶的歷史行為數(shù)據(jù)為用戶產(chǎn)生推薦服務(wù)。如果攻擊者獲取到一些用戶的歷史行為數(shù)據(jù)，就可以推斷出用戶的其他信息。研究者Dwork針對用戶的歷史行為信息提出了三種類型的推薦攻擊，這些攻擊會給用戶的隱私帶來極大的威脅。差分隱私是一種密碼學(xué)技術(shù)，當(dāng)從統(tǒng)計數(shù)據(jù)庫查詢時，可以在保證查詢結(jié)果準(zhǔn)確性的同時，最大程度地減少識別其記錄的機(jī)會。差分隱私技術(shù)已經(jīng)被廣泛應(yīng)用于推薦系統(tǒng)中。有人提出了一種差分隱私矩陣分解機(jī)制，該機(jī)制能夠防止不可信的推薦系統(tǒng)獲取到用戶的隱私信息。其基本思想是，首先獲取不加隱私的用戶因子矩陣，將其保密存儲，然后擾動目標(biāo)函數(shù)得到加噪后項(xiàng)目因子矩陣，最后發(fā)布加噪后的項(xiàng)目因子矩陣。由于項(xiàng)目因子矩陣是滿足差分隱私的，攻擊者無法通過項(xiàng)目因子矩陣以推斷用戶的隱私信息，從而保證了用戶的隱私安全。

傳統(tǒng)的差分隱私保護(hù)方法有一個重要的限制，它只能為數(shù)據(jù)集中的所有用戶提供統(tǒng)一級別的隱私保護(hù)。這種方法忽略了一個事實(shí)，每個人都會對他自己的隱私信息有不同的要求。而在實(shí)踐中，用戶對自己的隱私級別會有個性化的需求，即用戶根據(jù)自己的意愿以設(shè)置自己的隱私級別。個性化的差分隱私保護(hù)，可以實(shí)現(xiàn)更高地推薦準(zhǔn)確度。因?yàn)樵趥鹘y(tǒng)的差分隱私保護(hù)中，一般會將數(shù)據(jù)集中用戶要求最高的隱私級別設(shè)置成統(tǒng)一的隱私級別，這樣會導(dǎo)致更多的噪聲，也降低了預(yù)測的準(zhǔn)確度。個性化隱私保護(hù)模型很好地解決了這個問題，它考慮到了用戶的個人隱私需求，并允許用戶指定自己隱私保護(hù)級別。基于鄰域的協(xié)同過濾算法，由于評分?jǐn)?shù)據(jù)集過于稀疏，導(dǎo)致其預(yù)測精度不高。而基于模型的矩陣分解算法只關(guān)注評分矩陣的全局信息，沒有考慮到評分矩陣的局部信息，導(dǎo)致預(yù)測評分在準(zhǔn)確度和多樣性較差。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)中存在的不足，本發(fā)明所要解決的技術(shù)問題在于提供一種基于個性化差分隱私保護(hù)的推薦方法，考慮到在實(shí)踐中用戶對自己的隱私級別會有個性化的需求，即用戶希望可以根據(jù)自己的意愿來設(shè)置自己的隱私級別，個性化的差分隱私保護(hù)，在保護(hù)用戶個人隱私的前提下，還能為用戶提供高質(zhì)量地推薦服務(wù)。

為了實(shí)現(xiàn)以上技術(shù)方案，提出了一種基于個性化差分隱私的集成推薦方法，包括以下步驟：

S1、數(shù)據(jù)的采集及劃分：將處理好的數(shù)據(jù)集隨機(jī)選取80％的歷史交互作為訓(xùn)練集，用于訓(xùn)練模型；其余作為測試集，從訓(xùn)練集中隨機(jī)選取10％的交互作為驗(yàn)證集，用于調(diào)整超參數(shù)；

S2、PPCF算法的構(gòu)造：個性化差分隱私的協(xié)同過濾算法通過用戶的鄰域以預(yù)測用戶評分首先利用Johnson Lindenstrauss變換的隨機(jī)預(yù)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(yù)測評分

S3、隨機(jī)采樣：根據(jù)用戶的隱私偏好級別以決定用戶評分隨機(jī)抽樣的概率，對原始評分矩陣的數(shù)據(jù)進(jìn)行隨機(jī)抽樣，可以得到隨機(jī)抽樣后的評分矩陣D_RS；