[发明专利]一种基于差分隐私保护的推荐方法

摘要

本发明公开了一种基于差分隐私保护的推荐方法，包括1、从网站上获取访问用户对项目的评分信息；2、对用户评分数据加入拉普拉斯噪声得到扰动后的评分数据；3、将扰动评分数据传入使用拉普拉斯机制的概率矩阵分解推荐算法得到用户因子矩阵和项目因子矩阵；4、根据用户因子矩阵和项目因子矩阵预测每个用户对所有项目的评分；5、将预测评分最高的前top个项目推荐用户。本发明能有效解决现有的隐私保护推荐方案中用户数据的安全性差和推荐结果准确性低的问题从而能更好的保护用户数据的隐私并提高推荐结果的准确度。

主权项

一种基于差分隐私保护的推荐方法，其特征是按如下步骤进行：步骤一、从网站上获取访问用户对项目的评分信息：假设所述网站上存在n个访问用户，记为U＝{u1,u2,…,ui,…,un}，ui表示第i个访问用户，1≤i≤n；所述网站上存在m个项目，记为I＝{item1,item2,...,itemj,…,itemm}，itemj表示第j个项目，1≤j≤m；则令第i个访问用户ui对第j个项目itemj的评分信息记为rij，从而得到所有访问用户对所有项目的评分信息所组成的评分矩阵Rn×m，且所述评分矩阵Rn×m为稀疏矩阵；步骤二、随机生成一个与所述评分矩阵Rn×m具有相同行数和列数的噪声矩阵NOISEn×m，且当rij＝0时，所述噪声矩阵NOISEn×m中的第i行第j列元素noiseij＝0，当rij≠0时，第i行第j列元素noiseij服从拉普拉斯分布，即noiseij＝Laplace(Δr/ε1)；Laplace()表示拉普拉斯噪声的随机生成函数；ε1表示第一隐私参数；Δr表示全局敏感度；将所述噪声矩阵NOISEn×m与评分矩阵Rn×m相加，从而得到加噪声后的扰动评分矩阵R′n×m；且所述扰动评分矩阵R′n×m中的第i行第j列元素r′ij满足式(1)：rij′=rmin,rij′≤rminrij′,rmin<rij′<rmaxrmax,rij′≥rmax---(1)]]>式(1)中，rmin表示评分下界，rmax表示评分上界；步骤三、将扰动评分矩阵R′n×m输入到概率矩阵分解算法中进行训练，得到用户因子矩阵Pn×d和项目因子矩阵Qm×d；步骤3.1、参数定义：令因子数为d，学习率参数为γ，规则参数为λ，梯度下降迭代次数为kmax，当前梯度下降迭代次数为k，预测误差上界为emax，第二隐私参数为ε2；步骤3.2、初始化k＝1；随机初始化第k次迭代的用户因子矩阵和项目因子矩阵服从高斯分布；步骤3.3、利用式(2)得到第k次迭代中随机生成的服从拉普拉斯分布的噪声noiseij′(k)=Laplace(kmaxΔr/ϵ2)---(2)]]>式(2)中，Δr表示全局敏感度，且Δr＝max(rij)‑min(rij)；ε＝ε1+ε2，ε表示整体的隐私保护参数；rij是评分矩阵Rn×m中不等于0的元素；步骤3.4、利用式(3)得到第k次迭代中第i个访问用户ui对第j个项目itemj的预测误差值eij(k)=rij′-pi(k)(qj(k))T+noiseij′(k)---(3)]]>式(3)中，表示第k次迭代的用户因子矩阵中第i行元素，表示第k次迭代的项目因子矩阵中第j行元素，T为转置；步骤3.5、利用式(4)对所述预测误差值进行限定，得到限定后的预测误差值eij′(k)=-emax,eij′(k)<-emaxeij′(k),|eij′(k)|≤emaxemax,eij′(k)>emax---(4)]]>步骤3.6、利用式(5)对第k次迭代的用户因子矩阵中第i行元素和项目因子矩阵第j行元素进行更新，得到第k+1次迭代的用户因子矩阵中第i行元素和项目因子矩阵第j行元素pi(k+1)=pi(k)+γ(eij′(k)·(qj(k))T-λpi(k))qj(k+1)=qj(k)+γ(eij′(k)·(pi(k))T-λqj(k))---(5)]]>步骤3.7、重复步骤3.3‑步骤3.6，从而到得第k+1次迭代中的用户因子矩阵和项目因子矩阵步骤3.8、判断k+1＞kmax是否成立，若成立，则表示完成迭代，并将所述第k+1次迭代中的用户因子矩阵和项目因子矩阵作为最终的用户因子矩阵Pn×d和项目因子矩阵Qm×d，并执行步骤四；否则，令k+1赋值给k，并返回步骤3.4执行；步骤四、利用式(6)获得到所有访问用户对所有项目的预测评分矩阵R^n×m=Pn×dQm×dT---(6)]]>步骤五、根据所述预测评分矩阵得到第i个访问用户ui对所有项目的预测评分表示第i个访问用户ui对第j个项目itemj的预测评分；从所述第i个访问用户ui的预测评分中选出预测评分最高的前top个项目作为推荐结果并提供给所述第i个访问用户ui。