【技术实现步骤摘要】
鲁棒协同过滤推荐算法
本专利技术涉及一种推荐算法，尤其涉及一种能抵御攻击的鲁棒协同过滤推荐算法，属于推荐算法领域。
技术介绍
推荐算法是计算机专业中的一种算法，通过一些数学算法，推测出用户可能喜欢的东西。目前较为主流的推荐算法有：基于内容推荐算法、基于规则推荐算法、基于效用推荐算法、基于知识推荐算法以及协同过滤推荐算法等。以协同推荐算法为例，现在的协同过滤推荐算法能够在海量的数据里，快速的找出用户感兴趣的信息、并将信息推荐给用户。但是由于协同过滤推荐算法是以一种依赖用户的历史行为数据的推荐算法，因此一旦用户的历史行为数据发生泄露，就会有不谋好意的攻击者通过往整个系统的数据库里插入大量的虚假信息，来扰乱整个推荐系统，甚至控制整个系统，从而达到虚假推荐的目的。这样一来，不仅会影响整个推荐系统的正常使用，而且还会对用户信息的安全性产生重大影响。综上所述，如何提出一种鲁棒协同过滤推荐算法，在保证原本的推荐精确度的同时，又能够抵御攻击者的攻击，就成为了当下推荐算法的研究难点。
技术实现思路
鉴于现有技术存在上述缺陷，本专利技术的目的是提出一种能抵御攻击的鲁棒协同过滤推荐算法。具...
【技术保护点】
1.一种鲁棒协同过滤推荐算法，其特征在于，包括如下步骤：S1、根据数据集构建用户评分矩阵Rm×n以及用户评分时间矩阵Tm×n；S2、根据用户评分时间矩阵Tm×n计算用户的兴趣衰减权重；S3、根据用户的评分矩阵Rm×n以及用户的兴趣衰减权重将用户评分矩阵标准化为Z‑scores，然后计算用户之间的相似度sim；S4、计算用户之间的敏感性，根据用户之间的敏感性产生拉普拉斯噪声，将该噪声加上用户原本的相似度sim，得到新的相似度sim″；S5、根据新的相似度sim″，求得用户的最相似的N个邻居；S6、根据N个邻居的评分信息，使用Z‑socres标准化后的协同过滤预测评分公式，预测评分。
【技术特征摘要】
1.一种鲁棒协同过滤推荐算法，其特征在于，包括如下步骤：S1、根据数据集构建用户评分矩阵Rm×n以及用户评分时间矩阵Tm×n；S2、根据用户评分时间矩阵Tm×n计算用户的兴趣衰减权重；S3、根据用户的评分矩阵Rm×n以及用户的兴趣衰减权重将用户评分矩阵标准化为Z-scores，然后计算用户之间的相似度sim；S4、计算用户之间的敏感性，根据用户之间的敏感性产生拉普拉斯噪声，将该噪声加上用户原本的相似度sim，得到新的相似度sim″；S5、根据新的相似度sim″，求得用户的最相似的N个邻居；S6、根据N个邻居的评分信息，使用Z-socres标准化后的协同过滤预测评分公式，预测评分。2.根据权利要求1所述的鲁棒协同过滤推荐算法，其特征在于：S1所述数据集的每一行包括四个字段，分别为用户ID、物品ID、用户对该物品的评分以及评分时间。3.根据权利要求2所述的鲁棒协同过滤推荐算法，其特征在于：S1所述用户评分矩阵Rm×n及用户评分时间矩阵Tm×n二者均有m行、n列，所述用户评分矩阵Rm×n及用户评分时间矩阵Tm×n二者的行下标表示用户ID，列下标表示物品ID。4.根据权利要求1所述的鲁棒协同过滤推荐算法，其特征在于，S2所述根据用户评分时间矩阵Tm×n计算用户的兴趣衰减权重，包括如下步骤：使用用户的评分时间矩阵Tm×n，构建一个衰减函数作为用户的兴趣衰减权重，衰减函数表达式为，其中，Tui为用户u对物品i的评分时间，Tu为用户u对物品的评分时间的集合，Tumax为用户u在该集合里的最近评分时间，Tumin为用户u在该集合里的最远评分时间。5.根据权利要求4所述的鲁棒协同过滤推荐算法，其特征在于，S3所述根据用户的评分矩阵Rm×n以及用户的兴趣衰减权重将用户评分矩阵标准化为Z-scores，然后计算用户之间的相似度sim，包括如下步骤：S31、使用Z-scores进行标准化数据转化，Z-scores计算公式为，其中，Rui为用户u对物品i的评分，为用户u所做评分的均值，σu为用户u所做评分的标准差；S32、计算经过Z-scores标准化后的用户相似度，计算公式为，其中，u，n表示两个用户，集合C为两个用户共同打分的物品集合，C.length为该集合的长度，lengthu为用户u评分集合的长度，lengthn为用...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。