一种基于匿名化隐私保护的推荐方法技术

本发明专利技术提出一种基于匿名化隐私保护的推荐方法，使用联邦学习的设计，将推荐系统分成服务端与客户端,服务端表示构建推荐系统的实体，客户端则表示各个用户的设备，将用户的隐私信息以k匿名的方式去隐藏，并且视这部分数据为隐私数据，服务端在不收集用户数据的情况下实现推荐模型的训练，在保证运算速度和性能的同时，提供了可商用的量化隐私保护。提供了可商用的量化隐私保护。提供了可商用的量化隐私保护。

【技术实现步骤摘要】
一种基于匿名化隐私保护的推荐方法


[0001]本专利技术涉及了推荐系统隐私保护领域，尤其涉及一种基于匿名化隐私保护的推荐方法。

技术介绍

[0002]随着数据时代的发展，互联网的数据总量正在急速增长，图电影、视频、文字等数据充斥着用户的网络空间的同时也在不断推陈出新。在这种情况下，推荐系统应运而生，推荐系统能够较好地解决数据分发问题，通过适当的算法设计，能将更匹配的数据推送到用户手上，增加用户的使用体验。当前，推荐系统已经成为了目前大多数互联网平台软件系统中不可或缺的一部分。近几年深度学习的迅猛发展，基于深度学习的推荐系统在业界得到了广泛的应用，在推荐效果极大提升的同时，使用的推荐系统模型也变得更加复杂，难以调试，随之而来的就是巨大的训练数据需求。在现有的技术下，商业公司往往通过广泛收集用户数据的方式来获取原始数据资料，进行一定处理后再用于推荐系统模型的训练。但数据收集的过程隐藏着不可忽视的隐私隐患，用户的个人隐私得不到充足的保证。目前，在全球范围内，许多国家与地区都开始重视互联网中的隐私问题，相继推出了各种有关隐私保护的法案，如欧盟的GDPR本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于匿名化隐私保护的推荐方法.其特征在于：该方法包括以下步骤：步骤1:初始化推荐模型参数；步骤2:根据分类分布数据采样负样本；步骤3:使用贝叶斯个性化排序算法对模型进行优化用户特征模型，使用梯度下降进行用户特征模型和物品特征模型训练；步骤4：完成一轮训练，直到模型损失稳定，训练完成。2.根据权利要求1所述的一种基于匿名化隐私保护的推荐方法，其特征在于：步骤1所述的具体方法为：推荐模型分为用户特征模型与物品特征模型，服务端初始化生成n
×
k的物品特征模型，其中k是一个设定的值，用来表示特征的维度，n是物品总数，各个客户端初始化生成1
×
k的用户特征模型，用户特征模型中的每一行代表一个用户，每个客户持有自己的用户特征模型。3.根据权利要求2所述的一种基于匿名化隐私保护的推荐方法，其特征在于：所述客户端和服务端都是通过标准正态分布生成随机数来初始化模型参数。4.根据权利要求1所述的一种基于匿名化隐私保护的推荐方法，其特征在于：步骤2所述的根据分类分布数据采样负样本，服务端将物品的总体分类分布数据发送给各个客户端，各个客户端根据物品分类分布数据生成自己的固定负样本物品集合，客户端的物品历史交互集合为正样本物品集合，除固定负样本物品集合和正样本物品集合外的全部物品为非固定负样本集合，客户端的正样本物品集合与固定负样本物品集合的并集为本地训练集，进行以下步骤：步骤2.1:计算本地训练集的物品类别分布，得到本地训练集的分类分布数据；步骤2.2:计算本地的物品分类分布与总体分类分布之间的差，得到占比少于总体分布的类别，并根据差值大小进行排序；步骤2.3:按顺序对排序结果中的分类分布进行采样，从不属于本地训练集且属于该类别的物品中采样一个新物品加入到本地训练集中，采样完成后更新客户端的本地训练集分类分布数据；步骤2.4:使用统计学中的卡方检验，计算本地训练集的分类分布数据是否已经拟合总体...

【专利技术属性】
技术研发人员：黎博，郭贵冰，
申请(专利权)人：东北大学，
类型：发明
国别省市：