不利用可信初始化器的秘密共享制造技术

对象评级和推荐平台识别评级数据，所述评级数据包括针对多个用户的多个对象的对应评级；识别包括多个用户特征的用户特征数据，所述用户特征有助于针对所述多个用户的所述多个对象的对应评级；以及经由不利用可信初始化器的秘密共享方案从社交网络平台接收基于社交网络数据和多个第一随机变量计算得到的经操作的社交网络数据。所述社交网络数据表示所述多个用户中的任意两个用户之间的社交关系。在所述不利用可信初始化器的秘密共享方案中，所述社交网络平台与所述对象评级和推荐平台共享所述经操作的社交网络数据而不公开所述社交网络数据。所述对象评级和推荐平台基于所述评级数据和所述多个所述经操作的社交网络数据更新所述用户特征数据。

Secret sharing without trusted initializers

【技术实现步骤摘要】
【国外来华专利技术】不利用可信初始化器的秘密共享
技术介绍
随着技术和数据分析的发展，许多在线平台收集不同类型的数据。例如，电影评级平台从用户收集评级数据，而社交媒体平台从用户收集社交网络数据。这些收集的数据是有价值的，并且通常由相应的平台作为隐私信息保存。平台越来越关注数据隐私，并且并不想共享它们收集的数据，至少不共享原始形式的数据。
技术实现思路
本公开描述了不利用可信初始化器在例如两个平台之间共享秘密以提供社交推荐的方法和系统。在实施方式中，计算机实现的方法，包括：对象评级和推荐平台识别评级数据，所述评级数据包括针对多个用户的多个对象的对应评级；所述对象评级和推荐平台识别包括多个用户特征的用户特征数据，所述用户特征有助于针对所述多个用户的所述多个对象的所述对应评级；所述对象评级和推荐平台经由不利用可信初始化器的秘密共享方案，从社交网络平台接收基于社交网络数据和多个第一随机变量计算得到的多个经操作的社交网络数据，其中，所述社交网络数据表示所述多个用户中的任意两个用户之间的社交关系，其中，在所述不利用可信初始化器的秘密共享方案中，所述社交网络平台与所述对象评级和推荐平台共享所述多个经操作的社交网络数据而不公开所述社交网络数据；以及由所述对象评级和推荐平台基于所述评级数据和所述多个所述经操作的社交网络数据更新用户特征数据。前述实施方式可使用计算机实现的方法、非暂态计算机可读介质以及计算机实现的系统实现；所述非暂态计算机可读介质存储用于执行所述计算机实现的方法的计算机可读指令；所述计算机实现的系统包括计算机存储器，所述计算机存储器与硬件处理器互操作地耦接，被配置成执行所述计算机实现的方法/存储在所述非暂态计算机可读介质上的指令。本文中描述的主题可以在特定实施方式中实现，以便实现以下优点中的一个或多个。首先，所描述的技术允许不同的平台在秘密共享中安全地协作，而不公开隐私数据或敏感数据，这鼓励平台之间的集成和协作，而不危及数据隐私。第二，由于在应用所述秘密共享方案之前，许多工作可以由各种平台完成，因此所描述的技术允许更有效的公共开发活动(例如，关于时间、处理器周期、存储器使用和网络带宽/拥塞)或当前在线平台不支持的活动。第三，所描述的技术可以提供所述对象评级和推荐平台的改进的推荐模型，并且提供更有针对性的推荐(诸如，电影推荐平台通过利用从社交媒体平台获得的社交网络数据向用户提供更有针对性的相关推荐)。第四，所描述的技术允许所述平台在没有可信管理机构的监控的情况下协作。其它优点对于本领域的普通技术人员来说是显而易见的。在具体实施方式、权利要求书、附图和权利要求书中阐述了本文所述主题的一个或多个实施方式的细节。从具体实施方式、权利要求书和附图来看，所述主题的其它特征、方面和优点将变得显而易见。附图说明图1是示出根据本公开实施方式的不利用可信初始化器在平台A和平台B之间共享秘密的示例性系统的框图。图2是示出根据本公开实施方式的平台A和平台B之间不利用可信初始化器的示例性秘密共享方法的流程图，以由平台A生成推荐。图3是示出根据本公开的实施方式的平台A和平台B之间的秘密共享方案的流程图，以通过不利用可信初始化器的秘密共享方案来计算矩阵A和矩阵B的矩阵乘积的元素Zij。图4是示出根据本公开实施方式的由对象评级和推荐平台通过不利用可信初始化器的秘密共享方案来生成推荐的示例性方法的流程图。图5是示出根据本公开实施方式的用于提供与如本公开中描述的所述算法、方法、函数、处理、流程和程序相关联的计算功能的示例性计算机系统的框图。各附图中的相同的附图标记和名称表示相同的元件。具体实施方式以下具体实施方式描述了不利用可信初始化器的秘密共享，例如在两个平台之间基于社交网络数据用于向用户提供推荐，并且该秘密共享被呈现以使得本领域的任何技术人员能够在一个或多个特定实施方式的上下文中做出以及使用所公开的主题。可以对所公开的实施方式进行各种修改、变更和置换，这些修改、变更和置换对于本领域的普通技术人员来说是显而易见的，并且在不脱离本公开的范围的情况下所定义的一般原理可以应用于其它实施方式和应用。在一些示例中，可以省略获得对所描述的主题的理解所不必要的细节，以使不必要的细节不会模糊一个或多个所描述的实施方式，并且这样的细节在本领域普通技术人员的技术范围内。本公开的目的不限于所描述或示出的实施方式，而是被赋予与所描述的原理和特征一致的最宽范围。在许多在线平台中，不同的平台可以累积不同类型的数据。例如，诸如NETFLIX或IMDB的对象评级和推荐平台累积来自用户的关于电影和电视连续剧的评级数据。诸如Facebook或Twitter的社交媒体或社交网络平台累积来自用户及其朋友的社交网络数据。因为亲密的朋友倾向于具有类似的偏好，所以社交信息可以改善推荐系统的性能。基于推荐方法的现有社交假定对象的用户评级数据和用户之间的社交数据是共享的。然而，出于数据隐私或其它考虑，在线平台通常不与其他方共享其原始数据。描述了示例性技术，所述技术允许平台在基于评级数据和社交网络数据构建改进的推荐系统时安全地协作，而每个平台的隐私数据不向其他平台公开。例如，可以基于评级数据和社交网络数据经由对象评级和推荐平台与社交网络平台之间的秘密共享方案来训练社交推荐模型。在秘密共享方案下，平台之间的数据交换是经操作的形式，而不是它们的原始形式。交换的数据经操作，使得不能从经操作的数据中恢复或解码出原始数据。秘密共享方案不同于用于安全数据传输的编码、加密或其它方案，在这些方案中，数据源(例如，作为发送端)在传输之前将原始数据编码或加密成编码形式，并且预期的接收端可以例如基于已知的安全密钥或相应的解码算法从接收到的编码数据中解码出或恢复原始数据。秘密共享方案保护原始数据，甚至不被预期的接收端所知。这样，数据源可以保护原始数据的隐私。因此，秘密共享方案鼓励不同平台之间的协作，并且可以帮助实现互惠共赢，而不危及数据隐私。例如，利用所公开的秘密共享方案，对象评级和推荐平台可以利用来自社交网络平台的社交网络信息来更好地预测用户的需要并向用户提供有针对性的推荐，从而增强用户体验并为对象评级和推荐平台带来潜在利润回报。图1是示出根据本公开实施方式的在平台A102和平台B104之间的秘密共享的示例性系统100的框图。平台A102可以包括但不限于娱乐、零售、服务和其他行业或部门中的对象评级和推荐平台，用户可以在平台上对产品、服务或其他对象进行评级。对象评级和推荐平台的示例包括例如Amazon、NETFLIX或IMDB。平台A102可以从其用户收集评级数据R。评级数据R可包括用户给出的一个或多个对象(例如，产品或服务)的一个或多个实际评级，或者基于用户对于对象的点击、购买、搜索或其它历史活动的一个或多个映射评级。该评级可以反映用户对对象的需求、喜好或偏好。评级可以具有特定范围(例如，[0，1]，或[1，5])。在一些实施方式中，评级数据R可以在具有维度M*N的矩阵中表示，其中M表示用户的数目、N表示对象的数目、条目Rij表示用户i对对象j的评级。平台A102还可以包括用户数据，用户数据可以包括例如用户的姓名、年龄、性别、地址或任何其他账户信息或个人资料信息、购买历史、浏览历史或用户在平台A102处的搜索历史。平台A102本文档来自技高网...

【技术保护点】
1.一种计算机实现的方法，包括：对象评级和推荐平台识别评级数据，所述评级数据包括针对多个用户的多个对象的对应评级；所述对象评级和推荐平台识别包括多个用户特征的用户特征数据，所述用户特征有助于针对所述多个用户的所述多个对象的所述对应评级；所述对象评级和推荐平台经由不利用可信初始化器的秘密共享方案，从社交网络平台接收基于社交网络数据和多个第一随机变量计算得到的多个经操作的社交网络数据，其中，所述社交网络数据表示所述多个用户中的任意两个用户之间的社交关系，其中，在所述不利用可信初始化器的秘密共享方案中，所述社交网络平台与所述对象评级和推荐平台共享所述多个经操作的社交网络数据而不公开所述社交网络数据；以及所述对象评级和推荐平台基于所述评级数据和所述多个经操作的社交网络数据更新所述用户特征数据。

【技术特征摘要】
【国外来华专利技术】1.一种计算机实现的方法，包括：对象评级和推荐平台识别评级数据，所述评级数据包括针对多个用户的多个对象的对应评级；所述对象评级和推荐平台识别包括多个用户特征的用户特征数据，所述用户特征有助于针对所述多个用户的所述多个对象的所述对应评级；所述对象评级和推荐平台经由不利用可信初始化器的秘密共享方案，从社交网络平台接收基于社交网络数据和多个第一随机变量计算得到的多个经操作的社交网络数据，其中，所述社交网络数据表示所述多个用户中的任意两个用户之间的社交关系，其中，在所述不利用可信初始化器的秘密共享方案中，所述社交网络平台与所述对象评级和推荐平台共享所述多个经操作的社交网络数据而不公开所述社交网络数据；以及所述对象评级和推荐平台基于所述评级数据和所述多个经操作的社交网络数据更新所述用户特征数据。2.如权利要求1所述的计算机实现的方法，其中，在所述不利用可信初始化器的秘密共享方案中，所述对象评级和推荐平台与所述社交网络平台共享多个经操作的用户特征数据而不公开所述用户特征数据，其中，所述多个经操作的用户特征数据是基于所述用户特征数据和多个第二随机变量计算得到的。3.如权利要求2所述的计算机实现的方法，还包括，在所述不利用可信初始化器的秘密共享方案中：所述对象评级和推荐平台获得所述用户特征数据的向量；所述对象评级和推荐平台基于所述用户特征数据的向量和所述多个第二随机变量生成第一经操作的用户特征数据；所述对象评级和推荐平台向所述社交网络平台发送第一经操作的用户特征数据；所述对象评级和推荐平台从所述社交网络平台接收基于所述社交网络数据和所述多个第一随机变量计算得到的第一经操作的社交网络数据；以及所述对象评级和推荐平台基于所述第一经操作的用户特征数据、所述第一经操作的社交网络数据或所述多个第二随机变量中的两个或更多个生成一个所述经操作的用户特征数据。4.如权利要求2所述的计算机实现的方法，其中，更新所述用户特征数据包括：基于所述多个经操作的用户特征数据之一和所述多个经操作的社交网络数据之一的和，来计算所述用户特征数据和所述社交网络数据的乘积。5.如权利要求3所述的计算机实现的方法，其中，在不利用所述社交网络数据的情况下，通过计算所述多个经操作的用户特征数据之一与所述多个经操作的社交网络数据之一的和，来计算所述用户特征数据和所述社交网络数据的乘积，包括：对于所述用户特征数据和所述社交网络数据的乘积中的每项，在不利用所述社交网络数据的情况下，计算所述多个经操作的用户特征数据之一和所述多个经操作的社交网络数据之一。6.如权利要求1所述的计算机实现的方法，还包括：识别包括多个对象特征的对象特征数据，所述对象特征有助于针对所述多个用户的所述多个对象的所述对应评级，其中，所述用户特征数据和所述对象特征数据的乘积导致对所述评级数据的评估；以及基于所述评级数据、所述用户特征数据和所述多个经操作的社交网络数据更新所述对象特征数据。7.如权利要求5所述的计算机实现的方法，还包括：基于所述用户特征数据和所述对象特征数据的所述乘积，生成针对所述多个用户的所述多个对象的预测评级数据；以及基于所述预测评级数据生成针对特定用户的特定对象的推荐。8.如权利要求6所述的计算机实现的方法，其中，更新所述用户特征数据包括：求解优化问题，以使所述预测评级数据和评级数据之间的差、所述社交网络数据加权的所述用户特征数据以及防止过度拟合项的加权和最小。9.如权利要求7所述的计算机实现的方法，其中，求解优化问题包括求解以下等式：其中：Ui表示与用户i对应的所述用户特征数据的向量；Vj表示与对象j对应的所述对象特征数据的向量；Rij表示用户i对对象j的评级；Sik表示用户i和用户k之间的社交关系；λ1表示与所述社交网络数据相关联的预定义权重；以及λ2表示防止过拟合的预定义权重。10.一种非暂态的计算机可读介质，所述介质存储有能够由计算系统执行的从而执行包括以下操作的一个或多个指令：对象评级和推荐平台识别评级数据，所述评级数据包括针对多个用户的多个对象的对应评级的评级数据；所述对象评级和推荐平台识别包括多个用户特征的用户特征数据，所述用户特征有助于针对所述多个用户的所述多个对象的所述对应评级；所述对象评级和推荐平台经由不利用可信初始化器的秘密共享方案，从社交网络平台接收基于社交网络数据和多个第一随机变量计算得到的多个经操作的社交网络数据，其中，所述社交网络数据表明所述多个用户中的任意两个用户之间的社交关系，其中，在所述不利用可信初始化器的秘密共享方案中，所述社交网络平台与所述对象评级和推荐平台共享所述多个经操作的社交网络数据而不公开所述社交网络数据；以及所述对象评级和推荐平台基于所述评级数据和所述多个经操作的社交网络数据更新所述用户特征数据。11.如权利要求10所述的非暂态计算机可读介质，其中在所述不利用可信初始化器的秘密共享方案中，所述对象评级和推荐平台与所述社交网络平台共享多个经操作的用户特征数据而不公开所述用户特征数据，其中所述多个经操作的用户特征数据是基于所述用户特征数据和第二随机变量计算得到的；以及其中更新所述用户特征数据包括基于所述...

【专利技术属性】
技术研发人员：陈超超，周俊，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：开曼群岛,KY