[发明专利]基于联邦学习和相似度密文计算的个性化项目推荐方法

说明书

本发明提出了一种基于联邦学习和相似度密文计算的个性化项目推荐方法，其中，项目包括电影、音乐、图书、商品。本发明首先研究设计了一个基于正交矩阵的相似度密文计算算法，该算法能密文计算用户需求和项目属性之间的相似度并且能减少计算开销。在基于正交矩阵的相似度密文计算算法的基础上，本发明还结合联邦学习框架构建了一个有效的推荐方法。该发明可以有效提高推荐的准确性，同时保护用户和推荐代理的隐私。此外，根据可靠性分数选择性能较好的代理参与联邦推荐，进一步提高推荐准确性。在已定义的威胁模型下，证明了该方法能够满足用户和代理的隐私要求。实验表明，与现有方案相比，本发明具有较佳的安全性、准确度和效率。

技术领域

本发明的技术领域是研究具有隐私保护的推荐机制，更具体地说，本发明是一种基于联邦学习基于相似度密文计算及联邦学习的高效个性化项目推荐方法，其中，项目包括电影、音乐、图书、商品。

背景技术

随着大数据的兴起，信息过载使人们获得更多无用的信息。于是，推荐系统逐渐流行起来。推荐系统的目的是为用户提供个性化的在线产品或服务推荐，推荐系统已成为解决信息过载问题的重要途径，为教育、医疗和其他行业带来了机遇和挑战。

然而，推荐系统给人们带来便利的同时，当前的推荐系统存在许多潜在风险，其中隐私披露是首要问题之一。一般来说，推荐系统由两部分组成：推荐服务器和用户。为了得到一个更好的推荐模型，传统的推荐系统使用一个中央架构，通常会收集大量的反馈信息，比如用户偏好。但这些信息往往对用户敏感，并可能导致严重的隐私和安全风险：用户的原始数据可能会从某些程序的反馈信息中泄露出来。例如，推荐系统在一定条件下，只须取得用户观看电影的纪录，便可推断出一些隐私信息(例如年龄、收入、病历等)。此外，推荐系统亦可收集使用者的个人资料，并与第三者分享，以获取利润。一旦这些信息被滥用，后果不堪设想。因此，人们越来越关心他们的数据隐私，他们希望他们的私人信息不会被互联网应用程序知道。在现有的研究中，有很多方法来保护数据隐私，如匿名、差分隐私、同态加密和联邦学习。联合学习是一个流行的工具，以减少隐私风险。因此，联邦学习越来越受到重视。2021年，Zhou等人在文献《A Privacy-Preserving Distributed Contextual FederatedOnline Learning Framework with Big Data Support in Social RecommenderSystems》中提出了一种基于联邦学习的框架推荐方案。该方案定义了多个协同推荐代理，使用联邦学习框架保护用户的数据隐私，提高推荐项目的可靠性。然而，在该方案的系统模型中，云的设置是完全可信的，这在实际实践中很难实现，而且所有的记录都以明文形式存储在云中，因此仍然存在隐私泄露的风险。

在其他方面，为了获得更好的推荐结果，经常引入相似度的概念。一般来说，为了保证推荐项目的准确性，许多推荐系统需要计算两个参数。一个是用户需求与推荐项目属性的相似性，另一个是用户对推荐项目的评价。对于前者，较高的相似性意味着项目将更适合用户的需要。对于后者，这意味着项目将具有更高的推荐优先级。在收到推荐项目后，用户将评估推荐项目，即提交反馈分数。推荐系统会收集这些分数，并根据评估结果计算推荐代理人的可靠程度。显然，在目前的推荐系统下，保护用户的隐私至关重要。当用户提交需求或估计时，他们希望自己的信息受到保护。这是因为用户的需求和评价通常与信息的隐私有关。为了解决这些问题，提出了一些可行的解决方案。2021年，Zhang等人在文献《Aprivacy-preserving optimization of neighborhood-based recommendation formedical-aided diagnosis and treatment》中提出在推荐过程中使用BGN密码体制保护用户隐私，利用同态性质计算密文域中两个用户之间的相似度。然而，该方案使用了双线性对的计算，给用户带来了沉重的计算负担。

发明内容