一种保护个人相似度的社交图生成方法及系统技术方案

本发明专利技术提供了一种保护个人相似度的社交图生成方法，包括以下步骤：获取初始社交图，计算初始社交图中关联节点之间的属性相似度，根据初始社交图中的所有属性相似度组成初始相似度序列，对初始相似度序列进行拉普拉斯加噪处理获得加噪相似度序列；对加噪相似度序列进行后置处理获得最终相似度序列；将最终相似度序列写入初始社交图中生成隐私社交图。本发明专利技术生成的社交图在使用过程中能够有效地保护节点属性，防止关联节点件的属性推断。防止关联节点件的属性推断。防止关联节点件的属性推断。

【技术实现步骤摘要】
一种保护个人相似度的社交图生成方法及系统


[0001]本专利技术属于
，具体涉及一种保护个人相似度的社交图生成方法及系统。

技术介绍

[0002]社交图是由许多节点构成的一种社会结构图，节点通常是指个人或组织，节点的属性可以表示个体具有的属性，例如个人的属性包括身高、体重、年龄等；连接节点之间的边表示两个节点之间的关系强度，且通过边连接的节点为关联节点；社交图把偶然相识的泛泛之交到紧密结合的家庭关系中的人们或组织通过关联起来。因为数据分析的需要，常常需要发布或共享社交图，现有技术中节点的属性通常非常敏感，容易受到各种链接的攻击。
[0003]为了解决上述问题，现有技术通常使用差分隐私技术保护节点的属性；差分隐私技术假设关于个人的所有信息都是由个人自己提供的，但当相似性发生时，情况就不同了。在社会学研究和心理学理论中提到，相似性作为对称关系的主要表征是普遍存在的，在社交网络中用户之间的直接关系表现出同质性，即当两个节点之间存在边时，具有相似度的节点会自然形成更强的连接，因此在使用一个节点属性时，关联节点的一些隐私信息都不可避免地被披露。
[0004]因而，亟需能够保护个人相似度的社交图，在该社交图的使用过程中能够有效地保护节点属性。

技术实现思路

[0005]本专利技术旨在解决现有技术中存在的技术问题，提供一种保护个人相似度的社交图生成方法及系统，使生成的社交图在使用过程中能够有效地保护节点属性，防止关联节点件的属性推断。
[0006]为了实现本专利技术的上述目的，根据本专利技术的第一个方面，本专利技术提供了一种保护个人相似度的社交图生成方法，包括以下步骤：获取初始社交图，计算初始社交图中关联节点之间的属性相似度，根据初始社交图中的所有属性相似度组成初始相似度序列，对初始相似度序列进行拉普拉斯加噪处理获得加噪相似度序列；对加噪相似度序列进行后置处理获得最终相似度序列；后置处理的具体步骤如下：遍历加噪相似度序列中的每一个属性相似度，若属性相似度小于0或大于初始相似度序列中的最大属性相似度，则将该属性相似度赋值为初始相似度序列中的最大属性相似度；若属性相似度大于0且小于初始相似度序列中的最大属性相似度，则该属性相似度保持原值；将最终相似度序列写入初始社交图中生成隐私社交图。
[0007]进一步地，拉普拉斯加噪处理的具体步骤如下：将初始相似度序列分割成多个集合；且初始相似度序列中的任一属性相似度在多个集合中仅出现一次；对每个集合分别进行拉普拉斯加噪处理。
[0008]进一步地，多每个集合分别进行拉普拉斯加噪处理的步骤具体如下：设定第一隐
私参数，遍历所有集合，若集合中的属性相似度的总数大于第一隐私参数，则给该集合中的每个属性相似度加上第一噪声；若集合中的属性相似度的总数小于第一隐私参数，则给该集合中的每个属性相似度加上第二噪声。
[0009]进一步地，第一噪声与第二噪声均通过概率密度函数计算获得；概率密度函数如下：其中，P表示概率，x表示所添加的噪声值，x≤0，λ表示噪声尺度。
[0010]进一步地，第一噪声的噪声尺度的计算公式如下：λ1＝kp/
ò
；第二噪声的噪声尺度的计算公式如下：λ2＝rp/
ò
；其中，λ1表示第一噪声的噪声尺度，λ2表示第二噪声的噪声尺度，k表示第一隐私参数，r表示集合中的属性相似度的总数，p表示初始相似度序列中的最大属性相似度，
ò
表示第二隐私参数；第二隐私参数通过设定获得。
[0011]进一步地，计算初始社交图中关联节点之间的属性相似度的步骤具体为：获取社交属性图中关联节点的属性向量，通过关联节点的属性向量和距离公式计算关联节点之间的距离，根据关联节点与关联距离生成该关联节点的属性相似度。
[0012]进一步地，距离公式具体为：其中，i表示节点i，j表示节点j，节点i和节点j为关联节点，l
ij
表示关联节点i和j的关联距离，x
i
表示节点i的属性向量，x
j
表示节点j的属性向量，S表示x
i
与x
j
之间的协方差矩阵。
[0013]进一步地，属性相似度的表示为(i,j,l
ij
)，其中i表示节点i，j表示节点j，l
ij
表示关联节点i和j的关联距离。
[0014]进一步地，将最终相似度序列写入初始社交图中生成隐私社交图的步骤具体如下：将初始社交图分为节点集、边集和节点属性集；使用最终相似度序列代替初始社交图中的节点属性集生成隐私社交图。
[0015]为了实现本专利技术的上述目的，根据本专利技术的第二个方面，本专利技术提供了一种保护个人相似度的社交图生成系统，在运行过程中实现了上述任一一种保护个人相似度的社交图生成方法的步骤；该系统包括获取模块、计算模块、加噪模块、后置模块和生成模块；获取模块用于获取初始社交图；计算模块用于计算初始社交图中关联节点的属性相似度，并组成初始相似度序列；加噪模块用于对初始相似度序列进行加噪处理，获得加噪相似度序列；后置模块用于对加噪相似度序列进行后置处理，获得最终相似度序列；生成模块用于将最终相似度序列写入初始社交图中生成隐私社交图。
[0016]本专利技术的基本原理及有益效果：本方案通过计算属性相似度，隐藏节点的具体属性值，对社交图中关联节点的相似度进行量化后保留节点之间的相似度；为了隐藏该相似度，本方案使用了差分隐私的定义，基于加噪处理和后置处理手段对相似度进行保护，使节点的相似度可用而不可见，避免关联节点之间通过相似度进行属性推断，提高了对社交图的保护强度，最小化对数据效用的破坏。
附图说明
[0017]图1是本专利技术一种保护个人相似度的社交图生成方法的步骤示意图；
[0018]图2是本专利技术使用查询模型提取初始相似度序列的步骤示意图；
[0019]图3是本专利技术初始相似度序列分割过程的步骤示意图；
[0020]图4是四个真实的社交网络数据集的KS
‑
distance比较图；
[0021]图5是四个真实的社交网络数据集的Mallows
‑
distance比较图；
[0022]图6是本专利技术一种保护个人相似度的社交图生成系统的结构示意图。
具体实施方式
[0023]下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本专利技术，而不能理解为对本专利技术的限制。
[0024]在本专利技术的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种保护个人相似度的社交图生成方法，其特征在于，包括以下步骤：获取初始社交图，计算初始社交图中关联节点之间的属性相似度，根据初始社交图中的所有属性相似度组成初始相似度序列，对初始相似度序列进行拉普拉斯加噪处理获得加噪相似度序列；对加噪相似度序列进行后置处理获得最终相似度序列；后置处理的具体步骤如下：遍历加噪相似度序列中的每一个属性相似度，若属性相似度小于0或大于初始相似度序列中的最大属性相似度，则将该属性相似度赋值为初始相似度序列中的最大属性相似度；若属性相似度大于0且小于初始相似度序列中的最大属性相似度，则该属性相似度保持原值；将最终相似度序列写入初始社交图中生成隐私社交图。2.如权利要求1所述的一种保护个人相似度的社交图生成方法，其特征在于，拉普拉斯加噪处理的具体步骤如下：将初始相似度序列分割成多个集合；且初始相似度序列中的任一属性相似度在多个集合中仅出现一次；对每个集合分别进行拉普拉斯加噪处理。3.如权利要求2所述的一种保护个人相似度的社交图生成方法，其特征在于，多每个集合分别进行拉普拉斯加噪处理的步骤具体如下：设定第一隐私参数，遍历所有集合，若集合中的属性相似度的总数大于第一隐私参数，则给该集合中的每个属性相似度加上第一噪声；若集合中的属性相似度的总数小于第一隐私参数，则给该集合中的每个属性相似度加上第二噪声。4.如权利要求3所述的一种保护个人相似度的社交图生成方法，其特征在于，第一噪声与第二噪声均通过概率密度函数计算获得；概率密度函数如下：其中，P表示概率，x表示所添加的噪声值，x≤0，λ表示噪声尺度。5.如权利要求4所述的一种保护个人相似度的社交图生成方法，其特征在于，第一噪声的噪声尺度的计算公式如下：第二噪声的噪声尺度的计算公式如下：其中，λ1表示第一噪声的噪声尺度，λ2表示第二噪声的噪声尺度，k表示第一隐私参数，r表示集合中的属性相似度的总数，p表示初始相似度序列中的最大属性相似度，
ò
表示第二隐私参数；第二隐私参数通过设定获得。6.如...

【专利技术属性】
技术研发人员：胡春强，陈佳俊，杨正益，邓绍江，蔡斌，向涛，桑军，
申请(专利权)人：重庆大学，
类型：发明
国别省市：