[发明专利]一种基于个性化差分隐私保护的推荐方法

说明书

本发明公开了一种基于个性化差分隐私保护的推荐方法(PDP‑IR)，该方法包括以下步骤：S1、数据采集及划分；S2、基于个性化差分隐私保护的协同过滤(PPCF)算法的构造；S3、随机采样；S4、隐私保护的集成推荐算法；S5、生成推荐。本发明将个性化差分隐私机制应用到集成推荐算法中，考虑到每个用户对各种项目的隐私级别的需求是不一样的，PDP‑IR方法能够为用户提供个性化隐私需求和项目级别的隐私保护，还可以提供高质量地推荐服务。根据个性化差分隐私的定义，从理论上证明了PDP‑IR方案是满足个性化差分隐私的，从而保证了整个方案的隐私安全。

技术领域

本发明属于数据挖掘和自然语言处理的技术领域，尤其涉及一种基于个性化差分隐私保护的推荐方法。

背景技术

最近二十年中，互联网上的信息呈爆炸式增长，人们不可能通过搜索所有的网络信息，去寻找自己想要获取的信息。推荐系统能够为用户提供个性化的内容和服务推荐，也能提高用户的在线服务体验。推荐系统在电子商务中已经得到广泛应用，可以为用户提供商品推荐服务。推荐系统中最常用的算法是协同过滤算法，该算法利用用户的历史行为数据为用户产生推荐服务。如果攻击者获取到一些用户的历史行为数据，就可以推断出用户的其他信息。研究者Dwork针对用户的历史行为信息提出了三种类型的推荐攻击，这些攻击会给用户的隐私带来极大的威胁。差分隐私是一种密码学技术，当从统计数据库查询时，可以在保证查询结果准确性的同时，最大程度地减少识别其记录的机会。差分隐私技术已经被广泛应用于推荐系统中。有人提出了一种差分隐私矩阵分解机制，该机制能够防止不可信的推荐系统获取到用户的隐私信息。其基本思想是，首先获取不加隐私的用户因子矩阵，将其保密存储，然后扰动目标函数得到加噪后项目因子矩阵，最后发布加噪后的项目因子矩阵。由于项目因子矩阵是满足差分隐私的，攻击者无法通过项目因子矩阵以推断用户的隐私信息，从而保证了用户的隐私安全。

传统的差分隐私保护方法有一个重要的限制，它只能为数据集中的所有用户提供统一级别的隐私保护。这种方法忽略了一个事实，每个人都会对他自己的隐私信息有不同的要求。而在实践中，用户对自己的隐私级别会有个性化的需求，即用户根据自己的意愿以设置自己的隐私级别。个性化的差分隐私保护，可以实现更高地推荐准确度。因为在传统的差分隐私保护中，一般会将数据集中用户要求最高的隐私级别设置成统一的隐私级别，这样会导致更多的噪声，也降低了预测的准确度。个性化隐私保护模型很好地解决了这个问题，它考虑到了用户的个人隐私需求，并允许用户指定自己隐私保护级别。基于邻域的协同过滤算法，由于评分数据集过于稀疏，导致其预测精度不高。而基于模型的矩阵分解算法只关注评分矩阵的全局信息，没有考虑到评分矩阵的局部信息，导致预测评分在准确度和多样性较差。

发明内容

针对现有技术中存在的不足，本发明所要解决的技术问题在于提供一种基于个性化差分隐私保护的推荐方法，考虑到在实践中用户对自己的隐私级别会有个性化的需求，即用户希望可以根据自己的意愿来设置自己的隐私级别，个性化的差分隐私保护，在保护用户个人隐私的前提下，还能为用户提供高质量地推荐服务。

为了实现以上技术方案，提出了一种基于个性化差分隐私的集成推荐方法，包括以下步骤：

S1、数据的采集及划分：将处理好的数据集随机选取80％的历史交互作为训练集，用于训练模型；其余作为测试集，从训练集中随机选取10％的交互作为验证集，用于调整超参数；

S2、PPCF算法的构造：个性化差分隐私的协同过滤算法通过用户的邻域以预测用户评分首先利用Johnson Lindenstrauss变换的随机预处理方法，将原始评分矩阵从高维降为低维，得到降维矩阵G；然后计算用户间的相似度，并使用拉普拉斯噪声扰动相似度的值，并基于扰动的相似度选取k个最近邻域用户；基于这k个邻域用户以预测评分

S3、随机采样：根据用户的隐私偏好级别以决定用户评分随机抽样的概率，对原始评分矩阵的数据进行随机抽样，可以得到随机抽样后的评分矩阵D_RS；