一种基于差分隐私和时间感知的隐式矩阵分解推荐方法技术

本发明专利技术公开了一种基于差分隐私和时间感知的隐式矩阵分解推荐方法，可使隐私保护和推荐的准确度达到很好的平衡。思路为：首先对用户的评分数据进行规范化，在将用户的评分数据发送给推荐系统之前，为每个子评分矩阵分配隐私预算，对矩阵中的每个评分进行扰动，再利用改进的隐式矩阵分解算法构建子矩阵分解模型，分析用户在每个时间间隔从数据集中学习到的兴趣，得到子矩阵的用户特征矩阵和项目特征矩阵，再利用自回归时间序列分析模型挖掘用户和项目的特征随时间变化趋势，计算得到未来某个时间段的行为预测值，选择预测评分值最大的TOP‑N个项目对用户进行推荐。

An implicit matrix decomposition recommendation method based on differential privacy and time perception

【技术实现步骤摘要】
一种基于差分隐私和时间感知的隐式矩阵分解推荐方法
本专利技术涉及数据安全
，特别涉及一种基于差分隐私和时间感知的隐式矩阵分解推荐方法。
技术介绍
大数据时代为用户提供了丰富的信息，影响着越来越多的人的日常生活。与此同时，它给各行各业研究带来了巨大的机遇和挑战。如何从海量的数据中提取有用的知识成为一个关键问题，越来越受到人们的关注。推荐系统利用数据挖掘技术为用户提供个性化的服务，解决了信息过载问题，并已应用于许多工业领域。同时，推荐系统也引起了许多研究者的关注。推荐系统的研究已成为当前的一个重要研究领域。推荐系统根据用户的行为记录为用户提供个性化的推荐服务，然而，个性化和隐私保护之间往往存在着矛盾。利用推荐系统收集的信息，潜在的对手甚至系统服务器可以推断出用户的敏感信息，例如家庭位置、政治观点、宗教倾向等。因此，为了保护用户隐私，许多研究通过传统的隐私保护方法，如密码学、扰动、混淆，对原始用户数据进行了篡改。虽然传统的隐私保护方法在推荐中得到了广泛的应用，但这些方法往往存在着隐私保障观念薄弱的问题，影响了最终结果的可信度。<本文档来自技高网...

【技术保护点】
1.一种基于差分隐私和时间感知的隐式矩阵分解推荐方法，其特征在于，包括以下步骤：/n步骤1，确定用户对项目的历史评分数据集D，所述用户对项目的历史评分数据集D包括M个用户和N个项目，以及用户-项目评分矩阵

【技术特征摘要】
1.一种基于差分隐私和时间感知的隐式矩阵分解推荐方法，其特征在于，包括以下步骤：
步骤1，确定用户对项目的历史评分数据集D，所述用户对项目的历史评分数据集D包括M个用户和N个项目，以及用户-项目评分矩阵其中，M表示用户的个数，N表示项目的个数；所述用户-项目评分矩阵中的元素记为rui，rui∈R，代表用户u对项目i的评分；每条评分记录都有其对应的时间戳，代表用户u对项目i评分的具体时间；
步骤2，对用户-项目评分矩阵R进行归一化处理，使得矩阵中每个元素的取值范围转化为0到1区间内，得到预处理后的用户-项目评分矩阵
步骤3，设定时间序列P＝{t1,t2,...,tT}，T表示时间序列的长度，根据用户评分数据的时间戳，划分所述预处理后的用户-项目评分矩阵得到T个互不相交的子评分矩阵，即用户的时间序列评分矩阵
步骤4，根据时间衰减函数为所述用户的时间序列评分矩阵分配隐私预算{ε1,ε2,...,εT}；并对评分矩阵中的所有项目评分添加拉普拉斯噪声，得到扰动后的用户的时间序列评分矩阵其中
步骤5，随机初始化用户特征矩阵和项目特征矩阵其中K为超参数，表示K维潜在向量空间；设定最大迭代次数为maxIter，获得优化更新后的用户特征矩阵Pt和项目特征矩阵Qt；
步骤6，对于扰动后的用户的序列评分矩阵中的任一t时刻的评分矩阵执行步骤5，获得用户序列特征矩阵P1,P2,...PT和项目特征矩阵Q1,Q2,...QT；
步骤7，利用自回归模型计算用户和项目特征矩阵随时间变化的趋势，根据得到的T个时间段中的用户特征矩阵和项目特征矩阵，获得T+1时刻的用户特征矩阵PT+1以及T+1时刻的项目特征矩阵QT+1；
步骤8，计算T+1时间段的评分矩阵R'T+1＝PT+1QT+1，选择预测评分值最大的TOP-N个项目对用户进行推荐，实现对用户推荐其未来某一段时间可能感兴趣的项目的任务。


2.根据权利要求1所述的基于差分隐私和时间感知的隐式矩阵分解推荐方法，其特征在于，步骤4包括以下子步骤：
子步骤4.1，对于任意t(t∈T)时刻的用户的时间序列评分矩阵根据时间衰减函数，为所述时间序列评分矩阵分配的隐私预算εt(0≤t≤T)为：



其中，Importt＝1·e-α(T-t)，代表评分数据随时间的重要程度；α是超参数；ε是超参数，代表隐私保护程度；
子步骤4.2，对所述用户的时间序列评分矩阵中的所有项目评分添加拉普拉斯噪声，对于任一用户u对项目i的评分根据公式



加入噪声其中，
子步骤4.3，将扰动后的评分控制在范围中，根据公式：



作为后处理，对扰动后的评分进行限制，得到扰动后的用户的序列评分矩阵其中


3.根据权利要求1所述的基于差分隐私和时间感知的隐式矩阵分解推荐方法，其特征在于，步骤5包括以下子步骤：
子步骤5.1，随机初始化用户特征矩阵Pt和项目特征矩阵Qt，计算估计评分其中表示原始评分数据加噪后的评分中非零的用户-项目对；
子步骤5.2，设定最大迭代次数为maxIter，循环执行子步骤5.3-5.6；
子步骤5.3，计算缓存对于每个用户u(1≤u≤M)，重复执行子步骤5.3.1；
子步骤5.3.1，对于潜在特征f(1≤f≤k)，k为...

【专利技术属性】
技术研发人员：李蜀瑜，耿玥，
申请(专利权)人：陕西师范大学，
类型：发明
国别省市：陕西;61