[发明专利]一种基于异构信息网络嵌入的差分隐私推荐方法

权利要求书

1.一种基于异构信息网络嵌入的差分隐私推荐方法，其特征在于：包括；

步骤一：利用HAN进行网络表示学习，利用HAN的表征和注意力权重结果计算异构注意力敏感度；

步骤二：基于差分隐私定义，使用异构注意力敏感度生成相应的随机噪声，通过异构注意力随机扰动机制生成随机噪声矩阵；

步骤三：构造异构信息嵌入的差分隐私推荐的目标函数进行学习，得到预测评分矩阵；

步骤四：输出所述评分矩阵作为能够保持隐私的预测评分。

2.根据权利要求1所述的一种基于异构信息网络嵌入的差分隐私推荐方法，其特征在于：所述利用HAN进行网络表示学习步骤包括：

输入训练数据集；

基于HAN模型对异构信息网络进行表示学习：在meta-graph中过滤除用户、项目以外其他类型的节点，得到只包含用户和项目节点的meta-path，对于每个所述节点，利用HAN模型得出的嵌入表征和meta-path的注意力权重表示他们的关联关系，获得用户节点表示和项目节点表示；

同时，基于所述注意力权重计算异构注意力敏感度，具体的：使用随机游走的方式得到固定窗口长度的序列，并使用注意力机制学习节点间注意力的节点表征和注意力权重，以及考虑多个元结构之间的最终节点表征和注意力权重，基于上述异构网络学习的结果，利用节点的embedding和meta-path的注意力权重，设计并计算异构注意力敏感度。

3.根据权利要求2所述的一种基于异构信息网络嵌入的差分隐私推荐方法，其特征在于：所述基于差分隐私定义，使用异构注意力敏感度生成相应的随机噪声，通过异构注意力随机扰动机制生成随机噪声矩阵步骤包括：

通过异构注意力敏感度来等价表示其需要分配的隐私预算，用于生成服从拉普拉斯分布的用户噪声矩阵和项目噪声矩阵，以满足存在数据关联的差分隐私要求。

4.根据权利要求3所述的一种基于异构信息网络嵌入的差分隐私推荐方法，其特征在于：所述构造异构信息嵌入的差分隐私推荐的目标函数进行学习步骤包括：

在用户节点和项目节点的基础上，根据所述异构注意力敏感度计算的随机噪声分布，生成相应的随机噪声向量，将所述噪声引入目标函数，并使用经典的随机梯度下降方法进行学习，得到评分矩阵。