[发明专利]一种基于局部聚类的个性化差分隐私推荐方法

权利要求书

1.基于局部聚类的个性化差分隐私推荐方法，其特征在于，基于以下定义：推荐系统为这里为全体用户的集合、为全部物品的集合；令和分别表示用户和物品的数目；此外，推荐系统G中还保存有用户的评分资料和物品的属性资料；用户u的资料记作S_u，表示用户u对所有物品的评分，并且记S_u(i)＝r(u,i)，这里r(u,i)表示用户u对物品i的评分；物品的属性资料记作v_i，包含物品的相关特点，给定一个目标用户u′，基于用户u′的相似用户，为u′推荐k个其可能喜欢的物品；为表征这种相似关系，需要对用户间的距离进行定义；记用户u和用户v之间的距离为dis(u,v)，这里其中,||·||₂表示欧式距离；基于上述距离度量，能够得到目标用户u′的K最临近用户群KNN；

令推荐系统中的用户资料集合为并且令D(u)(i)＝r(u,i)＝S_u(i)；并

定义1，临近资料集：对于两个资料集D和D′，如果D′能够通过增加或者减少一个用户-物品评分数据得到D，那么我们称D和D′为临近资料集；更进一步，我们用表示D和D′为临近资料集，并且D＝D′∧r(u,i)或者D′＝D∧r(u,i)，这里r(u,i)为用户u对物品i的评分数据；

定义2，物品层个人用户隐私偏好：物品层个人用户隐私偏好为用户集到物品集的隐私偏好，记为这里隐私偏好值越小，隐私需求越高；符号P^u(i)表示用户对物品i的隐私偏好值；

对于用户u，记其K最临近用户集为KNN(u)；在此基础上，我们令u的临近社团为C(u)＝{u}∪KNN(u)；

定义3，基于聚类的物品分组：对于中的任意物品x,以及C(u)中的局部相似性度量θ(u)，物品x的基于聚类的物品分组G(x,u)为与x同属于同一聚类的所有物品集合，即:

定义4，基于聚类的物品集分组：对于中的任意物品集以及C(u)中的局部相似性度量θ(u)，物品集的基于聚类的物品集分组为与同属于同一聚类的所有物品集分组的集合，即:

定义5，个性化局部差分隐私：给定一个目标用户u₀，以及所有用户的物品层个人用户隐私偏好我们称一个推荐算法M满足-个性化局部差分隐私，当且仅当对于任意两个临近资料集D和D′，且并且对于的任意子集S，有

该方法包括以下步骤：

步骤1，基于用户隐私偏好的个人资料抽样：在个性化差分隐私推荐中，不同用户具有不同的隐私偏好；为确保用户的隐私偏好得到精确保证，需要根据用户的隐私偏好对其个人资料进行抽样；抽样方法为：首先确定一个阈值T，随后计算某条记录的抽样概率，并将其与预设阈值进行比较；当该概率大于阈值时，该记录被保留；反之，该条记录被删除；

步骤2，基于抽样数据的目标用户KNN计算：在得到抽样的个人资料后，利用该抽样后数据，计算所有用户资料的局部敏感性哈希(LSH)；利用LSH值确定2000个备选用户作为目标用户KNN的备选集合；计算这2000个用户与目标用户的含噪相似度，并选取与目标用户最相似的K个用户作为目标用户的KNN；

步骤3，基于KNN内物品聚类的个人资料改写：得到目标用户的KNN后，利用物品属性信息以及物品在KNN中的相似度，计算物品间的局部相似度量；在局部相似度量的基础上，对物品进行聚类；基于物品聚类结果，对目标用户及其KNN内用户的资料信息进行改写；

步骤4，基于改写资料信息的推荐结果计算：根据改写后的用户资料信息，计算目标用户可能喜欢的物品结果。

2.根据权利要求1所述的基于局部聚类的个性化差分隐私推荐方法，其特征在于，步骤2中，采用LSH对抽样数据集进行预处理，得到备选KNN集合，进而计算备选用户与目标用户的相似度，提高计算效率。

3.根据权利要求1所述的基于局部聚类的个性化差分隐私推荐方法，其特征在于，步骤3中，利用物品属性信息以及物品在KNN中的相似度，计算物品间的局部相似度量并基于该度量对物品进行聚类。

4.根据权利要求1所述的基于局部聚类的个性化差分隐私推荐方法，其特征在于，步骤3中，利用局部聚类结果对用户资料进行改写。