一种基于差分隐私保护的推荐方法技术

本发明专利技术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。本发明专利技术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。

A recommendation method based on differential privacy protection

The present invention discloses a privacy protection based on recommendation method, including: 1, from the site to get access to the user of the project evaluation information; 2, the user rating data to join the Laplasse noise rating data after disturbance; 3, disturbance score data into probability matrix using Laplasse decomposition algorithm to obtain the recommendation mechanism the user factor matrix and project factor matrix; 4, according to the user factor matrix and factor matrix prediction for each user on all items score; 5, scoring the highest top project recommended users. The invention can effectively solve the problems of poor security of the user data and low accuracy of the recommendation result in the existing privacy protection recommendation scheme, so as to better protect the privacy of the user data and improve the accuracy of the recommendation result.

【技术实现步骤摘要】
一种基于差分隐私保护的推荐方法
本专利技术涉及到机器学习的推荐
，具体的说是一种基于差分隐私和概率矩阵分解算法的推荐方法。
技术介绍
目前，随着互联网的不断发展，互联网上的信息呈现爆炸性的增长，这就导致互联网用户很难从互联网获取到感兴趣的信息。用户对个性化推荐服务的需求越来越强烈。根据用户的行为数据，为用户提供个性化的推荐已经成为了互联网服务不可或缺的一部分。为了给用户提供更加精确的个性化推荐，推荐系统的服务商不得不搜集大量的用户历史信息(比如：用户的对商品的评分记录、网页的历史浏览记录等)。通过对用户历史信息进行有效的分析然后向用户提供准确的个性化推荐服务，这样大大增加了用户对互联网服务的兴趣度，同时也促进了互联网的经济不断发展。但是，如果没有对收集到的用户信息进行有效的保护，会使得大量的用户信息泄露。从而导致用户在互联网上浏览网页、购买商品等活动时清除记录，使得推荐服务质量下降，用户对互联网的兴趣度下降，进一步则影响经济效益。因此对搜集到的用户信息进行有效的保护已经成为越来越突出的问题。当前，多数推荐算法的隐私保护方案都是基于传统的加密方案来对收集到的用户信息进行保护。但是本文档来自技高网...

【技术保护点】
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NO...

【技术特征摘要】
1.一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；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)：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式(2)中，Δr表示全...

【专利技术属性】
技术研发人员：张顺，刘来祥，陈志立，杨龙飞，汪改，
申请(专利权)人：安徽大学，
类型：发明
国别省市：安徽,34