[发明专利]一种基于RBM与差分隐私保护的聚类的电影推荐方法及系统

说明书

本发明公开了一种基于RBM与差分隐私保护的聚类的电影推荐方法，包括：初始化阶段：收集所有用户对项目的评分信息，生成一个用户项目评分矩阵；聚类阶段：在得到的用户项目评分矩阵中，以单个用户为基础，对所有用户进行聚类操作，把所有用户分为k个类；生成推荐模型阶段：得到所有用户的聚类结果，然后在每个聚类中使用RMB算法生成各自的推荐模型；在线用户电影推荐阶段：用户登录系统，在推荐模型中选出评分高的且用户无观看记录的T个项目推送到用户界面。本发明还公开了一种基于RBM与差分隐私保护的聚类的电影推荐系统。本发明使用差分隐私技术中Laplace机制对聚类过程进行保护，再对每个聚类分别生成推荐模型，使得相同聚类用户的推荐结果更精确。

技术领域

本发明涉及推荐系统与信息安全技术领域，尤其涉及一种基于RBM与差分隐私保护的聚类的电影推荐方法及系统。

背景技术

随着网络技术的快速发展导致了信息的爆炸性增长，推荐系统是大量信息背景下最成功的信息过滤应用，推荐系统能非常有效的解决信息过载问题。对于电影推荐来说，推荐系统根据用户的观看历史，给用户推荐一些无观看记录但可能感兴趣的电影，在推荐系统的帮助下，用户可以快速的发现感兴趣或新的选择，同时对于公司来说，推荐系统增加了商品的销量，提高了公司的效益。

由于推荐系统能有效的解决信息过载，故推荐系统的发展十分迅速，推荐系统根据用户的历史记录进行个性化推荐，这引发了新的问题即用户越来越多的关注到个人隐私泄露问题。推荐系统为了向用户提供个性化推荐服务，在训练模型时，使用用户的历史记录进行模型训练，这些历史记录中可能包含用户不想让他人知道的隐私信息(如：个人的兴趣爱好)。所以推荐系统一方面可以使用户在大量信息的选择中解放出来，另一方面也会带来隐私泄露问题。

为了解决用户隐私泄露问题，便引入了一种全新的隐私保护方法——差分隐私。差分隐私的基本理念是当两个输入集基本相同时，即只有一条记录不同，其他记录完全相同时，输出集的概率分布也基本相同。这样根据输出的结果无法推断出具体的输入集，实现了输入集的隐私保护。而在基于RBM与差分隐私保护的聚类的电影推荐方法中，我们在聚类结果中用差分隐私的Laplace机制来保护单个用户的隐私，Laplace机制的应用主要是选取一个函数作为它的效用函数，然后在输出结果中加入服从Laplace分布的噪声，对于单个用户记录的改变，效用函数的差别越大即敏感度越大，隐私保护的效果越好，但是敏感度越大，输出数据的可用性也就越差，所以要合理选用效用函数。近几年，提出了一些基于差分隐私保护的聚类的电影推荐算法及基于RBM的推荐算法，如文献[Outlier-eliminated k-means clustering algorithm based on differential privacy preservation,2016]使用Laplace机制对每次迭代的聚类中心点加入噪声，但是随着迭代次数的增加，加入的噪声量会越来越大，影响结果的准确度。文献[Modeling Prediction in Recommender SystemsUsing Restricted Boltzmann Machine,2017]使用整个数据集来训练推荐模型，这种训练模型得到单个项目的权重为所有对同一项目评分的用户权重的平均值，这种训练模型弱化了同类爱好用户的兴趣。

现有的差分隐私保护的聚类算法中，把N个用户聚成k类，在聚类过程中，每次计算聚类中心点都会加入Laplace噪声，随着聚类次数的增加影响聚类的精确度，而且每个聚类中用户数量没有得到很好的控制。另外现有的RBM算法，在计算最终权重矩阵时，每个项目对应的权重为所有用户对此项目权重的平均，这极大削弱了相似用户间的影响。

据此，目前急需对现有技术进行改进，以得到一种基于RBM与差分隐私保护的聚类的电影推荐方法及系统。

发明内容

本发明的目的在于提供了一种基于RBM与差分隐私保护的聚类的电影推荐方法及系统，使用差分隐私技术中的Laplace机制对聚类过程进行保护，以保护用户个人隐私信息，然后对每个聚类分别生成推荐模型，使得相同聚类用户的推荐结果更精确。