[发明专利]一种基于覆盖算法的差分隐私保护推荐方法

摘要

本发明公开了一种基于覆盖算法的差分隐私保护推荐方法，是依据用户对电影评分的数据集得到评分矩阵；将评分矩阵中用户对每部电影评分依次执行覆盖算法；将两个用户聚在同一簇的总次数进行统计得到用户关系矩阵；对用户关系矩阵的每一行进行合理标准化得到用户行标准矩阵；对用户行标准矩阵添加噪声实施干扰；对于目标用户，从用户行标准矩阵中随机抽取k个不同的用户得到相似用户序列；将相似用户序列中评分较高的电影推荐给目标用户。本发明能有效地保护用户隐私，同时提高电影推荐的准确性。

主权项

1.一种基于覆盖算法的差分隐私保护推荐方法，其特征是按如下步骤进行：步骤1、预处理：获取m个用户U对n部电影V评分的数据集，其中，U＝{u1,u2,...,ui,...,um}，ui为第i个用户，i∈[1,m]，V＝{v1,v2,...,vj,...,vn}，vj为第j部电影，j∈[1,n]；将第i个用户ui对第j部电影vj的评分记为xi,j，则m个用户U对n部电影V的评分所组成的评分矩阵记为Xm×n＝{X1,X2,...,Xj,...,Xn}，Xj表示所有用户对第j部电影vj的评分，并有：Xj＝{x1,j,x2,j,...,xi,j,...,xm,j}；步骤2、利用覆盖算法对所述所有用户对第j部电影v_j的评分X_j进行聚类处理，得到所有用户对第j部电影v_j的聚类结果c_j＝{c_1,j,c_2,j,...,c_p,j,...,c_a(j),j}，其中，a(j)为第j部电影v_j的聚类结果c_j中的簇的个数，且a(j)∈[1,m]；c_p,j为第j部电影v_j的聚类结果c_j中的第p个簇，且为第p个簇中第b个用户u_b存在的标志，若表示第p个簇中存在第b个用户u_b；若表示第p个簇中不存在第b个用户u_b；从而得到所有用户对所有电影的聚类结果C＝{c₁,c₂,...,c_j,...,c_n}；步骤3：对于第j部电影vj，按如下方式统计获得每两个用户聚在同一簇的次数：步骤3.1、初始化p＝1；步骤3.2、判断p＞a(j)是否成立，若成立，则执行步骤4；否则，执行步骤3.3；步骤3.3、循环统计：步骤3.3.1、将第q个用户u_q和第t个用户u_t对第j部电影v_j聚在同一簇的次数记为q∈[1,m‑1]，t∈[q+1,m]；步骤3.3.2、初始化q＝1；步骤3.3.3、判断q＞m‑1是否成立，若成立，则执行步骤3.4；否则，将q+1赋值给t，并执行步骤3.3.4；步骤3.3.4、判断t＞m是否成立，若成立，则将q+1赋值给q，并返回步骤3.3.3；否则，执行步骤3.3.5；步骤3.3.5、判断且是否成立，若成立，则将赋值给将t+1赋值给t，并返回执行步骤3.3.4；否则，将t+1赋值给t，并返回执行步骤3.3.4；步骤3.4、将p+1赋值给p，并返回执行步骤3.2；步骤4、对于n部电影V，按步骤3相同的方式依次获得第q个用户u_q和第t个用户u_t聚在同一簇的次数则第q个用户u_q和第t个用户u_t对于n部电影V聚在同一簇的总次数为步骤5、按步骤4相同的方式，获得m个用户U中所有的任意两个用户对n部电影V聚在同一簇的总次数所组成的用户关系矩阵Zm×m＝{Z1,Z2,...,Zt,...,Zm}；Zt表示第t个用户ut与所有用户聚在同一簇的总次数，并有Zt＝{z1,t,z2,t,...,zq,t,...,zm,t}；步骤6、采用离差标准化法对第t个用户u_t与所有用户聚在同一簇的总次数Z_t进行标准化处理，得到第t个用户u_t标准化后的总次数从而得到所有用户标准化后的总次数步骤7、将所述第t个用户u_t标准化后的总次数作为第t个效用函数，执行指数机制向用户关系矩阵添加噪声，得到扰动后的总次数表示第t个用户u_t与所有用户聚在同一簇的扰动后的总次数；步骤8、随机选取第x个用户ux作为目标用户，且x∈[1,m]；根据目标用户与所有用户聚在同一簇的扰动后的总次数的分布，随机抽取k个不同的用户并得到目标用户的相似用户序列O_x＝{o_x,1,o_x,2,...,o_x,w,...,o_x,k}，其中o_x,w表示目标用户的第w个相似用户；w∈[1,k]步骤9、将目标用户的相似用户序列Ox中评分较高的前r部电影推荐给目标用户，从而完成电影推荐，r＜k。