基于同态加密的矩阵分解推荐方法技术

本发明专利技术公开一种基于同态加密的矩阵分解推荐方法，采用同态加密算法，在用户计算梯度传输到服务器进行数据聚合之前，进行加密传输，在数据发送到服务器上后，由于每个用户的梯度是经过加密的，服务器无法根据梯度推断用户信息；针对在梯度下降矩阵分解的计算时需要进行多次迭代，用户端计算压力大且传输数据通信量大的问题，本发明专利技术采用小批量梯度方法与随机投影降维相结合的方法，在降低计算量和数据通信量的同时，保证了数据效用性。

Matrix Decomposition Recommendation Method Based on Homomorphic Encryption

【技术实现步骤摘要】
基于同态加密的矩阵分解推荐方法
本专利技术涉及推荐系统
，具体涉及一种基于同态加密的矩阵分解推荐方法。
技术介绍
互联网的出现和普及给用户带来便利的同时存储了大量的信息，在一个信息过载，用户需求的多样性也在不断提升的时代，如何能在海量数据中，根据用户的偏向性，提取出与用户兴趣一致的信息，以满足用户个性化需求的信息，已成为一大难题，而推荐系统正是解决该问题的一个有力工具，受到了学术界与工业界众多的关注和研究。推荐系统应用于不同的领域，它推荐的对象也各不相同，面对信息的多元化、多样化，通常推荐系统需要收集与挖掘用户的历史行为数据，对用户历史行为数据进行建模分析，并以此为基础预测用户未来的行为，例如Google利用搜索历史数据提供个性化广告服务，Amazon利用购买历史提供购买推荐，Netflix根据历史观影提供视频推荐等等。传统的推荐算法有：基于内容推荐、协同过滤推荐和混合推荐算法等。相比传统的推荐算法，基于矩阵分解的推荐算法有更低的均方根误差(RMES)，更高的推荐精确度，因此受到了越来越多的关注。然而，无论是基于何种推荐算法，都必须依赖于用户的个人信息，用户需要把各自的历史数据本文档来自技高网...

【技术保护点】
1.基于同态加密的矩阵分解推荐方法，其特征是，包括步骤如下：步骤1、服务器使用符合正态分布的随机变量生成项目特征矩阵，并将该项目特征矩阵发送给每个用户，作为初始的项目特征矩阵V

【技术特征摘要】
1.基于同态加密的矩阵分解推荐方法，其特征是，包括步骤如下：步骤1、服务器使用符合正态分布的随机变量生成项目特征矩阵，并将该项目特征矩阵发送给每个用户，作为初始的项目特征矩阵V0；同时，每个用户使用符合正态分布的随机变量生成每个用户的特征，作为初始的用户特征ui0；步骤2、令迭代次数t＝1；步骤3、每个用户基于上一迭代的项目特征矩阵Vt-1和上一迭代的用户特征uit-1，计算该用户的用户特征梯度和该用户关于各个项目的项目特征梯度；步骤4、每个用户生成一个随机明文，并使用统一的加密函数对该随机明文加密后形成随机密文，发送到服务器；步骤5、服务器随机选取2个用户所发送来的随机密文进行相加后，形成噪声密文，并将该噪声密文的正值发送给这2个用中的其中一个用户，而将该噪声密文的负值发送给这2个用中的另一个用户；步骤6、用户收到服务器发送回来的噪声密文的正值或负值，并对其进行解密后形成噪声，并利用该噪声对该用户关于敏感项目的项目特征梯度进行加噪；步骤7、服务器使用符合高斯分布的随机变量生成随机矩阵，并将发送给每个用户；步骤8、每个用户利用服务器发来的随机矩阵对所有项目特征梯度进行降维后，发送到服务器进行聚合，求得所有降维后的项目特征梯度的项目梯度均值；步骤9、服务器将项目梯度均值发送给每个用户，每个用户利用随机矩阵的逆矩阵将项目梯度均值恢复到原始的维度后，并据此得到当前迭代的项目特征矩阵Vt和当前迭代的用户特征uit；步骤10、每个用户计算当前迭代的项目特征矩阵Vt和当前迭代的用户特征uit的内积所对应的损失函数，并发送给服务器；步骤11、服务器判断所有用户损失函数之和是否小于预设损失值或迭代次数是否达到预设迭代次数；如果满足，则迭代终止，此时每个用户计算该用户的预测评分矩阵Mi，并将评分矩阵Mi中选出k个最高的预测评分所对应的项目推荐给该用户；其中k为设定值；否则，迭代次数t+1，并返回步骤3，继续迭代。2.根据权利要求1所述的基于同态加密的矩阵分解推荐方法，其特征是，步骤3中，第i个用户的用户特征梯度为：式中，rij表示第i...

【专利技术属性】
技术研发人员：李先贤，李东城，王利娥，刘鹏，李春培，
申请(专利权)人：广西师范大学，
类型：发明
国别省市：广西,45