[发明专利]一种基于差分隐私的TopN协同过滤推荐方法

权利要求书

1.一种基于差分隐私的TopN协同过滤推荐方法，其特征在于：包括数据预处理单元、评分预测单元和TopN推荐单元，具体如下：

A、数据预处理单元：由用户原始评分记录建立用户评分矩阵，获得加噪后的全局平均评分、用户平均评分和项目平均评分；

B、评分预测单元：利用加噪后的全局平均评分、用户平均评分和项目平均评分进行评分预测和数据的恢复处理；

C、TopN推荐单元：根据余弦相似度计算用户之间的相似度，寻找与目标用户兴趣相似的用户，利用协同过滤算法生成推荐候选列表，然后采用拉普拉斯机制对其扰动，最后进行选取目标用户最感兴趣的TopN个项目进行推荐。

2.根据权利要求1所述的一种基于差分隐私的TopN协同过滤推荐方法，其特征在于：数据预处理单元具体步骤如下：

1)首先，根据原始用户评分记录建立原始用户评分矩阵R_m*n，其中m为用户数，n为项目总数；

2)然后，计算全局平均评分G，并对其添加噪声Lap(△f/ε₁)，全局敏感度△f＝r_max-r_min，其中r_min和r_max分别为最低评分和最高评分，ε₁为隐私预算，得到带有差分隐私保护的项目平均评分DPG；

3)接下来，先统计参与项目i评分的用户的个数ICnt用来计算带差分隐私保护的项目平均评分IAvg[i]；

4)如果带差分隐私保护的项目平均评分IAvg[i]小于r_min或者大于r_max则返回执行步骤3)，否则直接执行步骤5)；

5)与步骤3)同理计算带差分隐私的用户平均评分UAvg[u]，并将其控制在[r_min,r_max]范围内。

3.根据权利要求2所述的一种基于差分隐私的TopN协同过滤推荐方法，其特征在于：评分预测单元具体步骤如下：

1)利用数据预处理单元得到的项目平均评分IAvg[i]和用户平均评分UAvg[u]计算预测评分

2)对预测评分进行恢复处理；

3)重复评分预测单元，直到每个评分数据都具有差分隐私保护，得到扰动后的用户评分矩阵

4.根据权利要求3所述的一种基于差分隐私的TopN协同过滤推荐方法，其特征在于：TopN推荐单元具体步骤如下：

1)根据建立item_user倒查表，并利用余弦相似度计算用户之间的相似度矩阵W_ui，找到和目标兴趣相似的其他K个用户，然后选择这K个用户看过而目标用户没看过的N个项目生成推荐候选列表，并采用拉普拉斯机制随机干扰候选列表，得到一个具有N个推荐项目列表Nu；

2)重复步骤1)直到每个用户获得到具有隐私保护的推荐列表N。