[发明专利]基于差分隐私保护的邻域推荐方法

权利要求书

1.一种基于差分隐私保护的邻域推荐方法，其特征在于，包括以下步骤：

步骤1、在训练阶段，将已收集的用户对物品的评价或喜好，转化为用户-评分矩阵，作为推荐方法模型的训练集；

步骤2、通过差分隐私平均值计算方法，计算出差分隐私保护下的平均值；

步骤3、通过基于差分隐私的偏置项计算，计算出差分隐私保护下的用户偏置项和物品偏置项；

步骤4、在评分预测阶段，利用基于指数机制的差分隐私保护邻居选择方法选择邻居；

步骤5、利用相似度的局部敏感度，添加拉普拉斯噪声进行差分隐私保护；

步骤6、最后利用评分预测模型与训练出的差分隐私保护模型参数，预测用户对物品的评分；

步骤4中所述的在评分预测阶段，利用基于指数机制的差分隐私保护邻居选择方法选择邻居，具体如下：

假设用户-物品评分数据R＝r_ui，目标用户为u，目标物品为i，候选物品列表为I，候选物品列表中包含当前用户曾经评价过且与物品i存在相似度的物品；设q_i(I,n_j)为可用性函数，n_j为根据可用性函数q_i(I,n_j)每次输出的邻居，由于邻居选择的目的是从候选物品列表I中选择与当前物品i_i相似度最大的k个物品，因此采用物品间相似度作为可用性函数，即：

q_i(I,n_j)＝sim(i,j)

其中sim(i,j)为物品i_i与物品i_j的相似度；

假设Δq为可用性函数的敏感度，根据差分隐私保护指数机制的定义，提出的差分隐私邻居选择方法在每次选择的过程中，以与成比例的概率从I中选出邻居n_j；随后将方法迭代k次，选取k个隐私保护邻居，输出即为物品i的k个差分隐私保护邻居；

在邻域推荐方法模型的基础上引入偏置项，在评分预测时考虑了偏置项对评分的影响，此时评分预测的模型为：

其中，μ为评分的全局平均数，b_u为用户偏置项，b_i为物品偏置项；

步骤5中所述的利用相似度的局部敏感度，添加拉普拉斯噪声进行差分隐私保护，具体如下：

差分隐私保护相似度加扰的目的是在进行评分预测时，对其中的相似度进行差分隐私保护，差分隐私保护的实现方式为拉普拉斯机制；

假设Δr_sim为相似度的敏感度，∈₄为差分隐私保护相似度加扰隐私预算，为上一步邻居选择环节选择出的物品i的k个邻居，对于中的每个物品j，按如下公式计算差分隐私保护的相似度：

2.根据权利要求1所述的基于差分隐私保护的邻域推荐方法，其特征在于，步骤1中所述的在训练阶段，将已收集的用户对物品的评价或喜好，转化为用户-评分矩阵，具体如下：

将已收集的用户对物品的评价或喜好，转化为n×m的用户-评分矩阵R_n×m，用户集U＝{u₁,u₂,...,u_n}，其中n为用户总数，物品集I＝{i₁,i₂,...,i_m}，其中m为物品总数，r_ui为用户u对物品i的评分。

3.根据权利要求1所述的基于差分隐私保护的邻域推荐方法，其特征在于，步骤2中所述的通过差分隐私平均值计算方法，计算出差分隐私保护下的平均值，具体如下：

(3.1)计算评分求和的敏感度：Δr_sum＝r_max-r_min，其中r_max表示评分中的最大值，r_min表示评分中的最小值；

(3.2)计算评分计数的敏感度：Δr_count＝1；

(3.3)计算出差分隐私保护的评分和其中ε₁为平均值计算的差分隐私预算，R表示评分矩阵，r_ui为评分矩阵中用户u对物品i的评分；

(3.4)计算出差分隐私保护的评分计数|R|+Lap(2Δr_count/ε₁)；

(3.5)计算差分隐私保护的评分平均值：