一种智慧城市中数据隐私与服务的推荐方法技术

本发明专利技术公开了一种智慧城市中数据隐私与服务的推荐方法，属于智慧城市领域，所述的数据隐私与服务的推荐方法包括用户数据隐私模糊，用户数据融合，用户数据切片，用户数据分类，用户行为预测分析。本发明专利技术在用户服务信息收集阶段，为了防止泄露用户个人隐私信息，在将用户信息集中到一起前，首先根据拉普拉斯分布将噪音加入初始数据，再将加入噪音的数据提供用来进行QoS的预测。供用来进行QoS的预测。供用来进行QoS的预测。

【技术实现步骤摘要】
一种智慧城市中数据隐私与服务的推荐方法


[0001]本专利技术属于智慧城市领域，更具体的说涉及一种智慧城市中数据隐私与服务的推荐方法。

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,中国的数据安全法。
[0003]智慧城市中，存在着各种各样的网络应用服务，例如医疗服务、饮食服务、交通服务于等，这些服务已经慢慢地渗透到人们的生活中。现如今，人们每天都需要和这些Web服务进行上百次的交互。因此，用户调用服务就会产生大量的信息，如何根据这些信息对用户进行精准的推荐就是服务推荐是现在服务推荐的一个方向。

技术实现思路

[0004]本专利技术通过智慧城市中用户在不同种类服务器上用户的信息数据，并且对在用户隐私保护和服务推荐之间做到一个很好的权衡。在最大程度上保护了用户的隐私，也能够完成商品的精确推荐。
[0005]为了实现上述目的，本专利技术是采用以下技术方案实现的：所述的数据隐私与服务的推荐方法包括：
[0006]S1用户数据隐私模糊，提取不同服务器上用户的数据，并在数据中加入噪音进行隐私模糊；
[0007]S2用户数据融合，将不同服务器提到的用户数据进行融合，形成一个统一的用户行为数据集；
[0008]S3用户数据切片，将整合好的用户数据，按照用户、服务、时间，三个方面进行数据切片分解；
[0009]S4用户数据分类，将用户的数据划分为不同的行为类别，并且将相似的行为类别数据划分到同一个类簇；
[0010]S5用户行为预测，对每个类簇使用分解算法对缺失的数据进行预测，补充完整用
户的行为。
[0011]进一步地，所述的S1用户数据隐私模糊；各服务器节点上的初始数据{r1,r2,
…
,r
k
}首先需要根据拉普拉斯分布添加随机的噪音{α1,α2,
…
,α
k
}，得到加入噪音后的新数据{r
′1,r
′2,
…
,r
′
k
}，再将新的数据集中到同一节点中进行后续的步骤。
[0012]进一步地，所述的S2用户数据融合，在收到各个服务器节点上传来的加入噪音后的数据{r
′1,r
′2,
…
,r
′
k
}后，将这些数据整合为一个新的三维矢量数据R，三个维度分别是用户、服务、时间。
[0013]进一步地，所述的S3用户数据切片，根据用户、服务、时间三个维度对三维矢量R进行分割，根据时间维度划分得到时间片集合{t1,t2,
…
,t
k
}；根据用户维度划分得到用户片集合{u1,u2,
…
,u
i
}；根据服务维度划分得到服务片集合{s1,s2,
…
,s
j
}；将得到时间片集合拼接为新的矩阵T
‑
M；将用户片集合拼接为新的矩阵U_M；将服务片集合拼接为新的矩阵S
‑
M。
[0014]进一步地，所述的S4用户数据分类；对拼接后的矩阵T
‑
M,U
‑
M,S
‑
M分别使用K
‑
Means聚类算法将数据划分为k个类簇{C1,C2,
…
,C
k
}，将相似的数据划分到同一个类簇。
[0015]进一步地，S5用户行为预测；对聚类后的每一个类簇C
i
(1≤i≤k)使用L1低秩矩阵分解算法进行预测，根据观测矩阵中数据的分布，用户类簇预测后得到的矩阵为P，服务类簇预测后得到的矩阵为Q，时间类簇预测后得到的矩阵为M，根据F＝P+Q+M公式可以得到最终的预测矩阵F。
[0016]进一步地，所述的拉普拉斯分布添加随机的噪音{α1,α2,
…
,α
k
}，在噪音添加过程中需要根据满足一些特定的条件，保证用户之间的相似性，采用改进的PCC公式作为衡量用户之间相似性的指标，在传统的PCC中添加权重的方式，改进PCC公式，改进后的PCC公式如下：
[0017][0018]其中、δ为用户对服务的评分，n为根据用户行为判断的需要保护级别，s
u
是用户相似度，sv是用户兴趣爱好似度。
[0019]进一步地，所述的δ用户对服务的评分，计算步骤如下：
[0020](1)用户数据大数据收集与建模，收集用户对于不同线上服务的评价数据，收集用户对服务偏好影响较高的用户个人特征信息，根据具体的线上服务类型分析和确定用户特征维度；
[0021](2)计算用户相似度；
[0022](3)预测用户对服务的评分，通过相似度计算，选择与目标用户相似的前K个用户，对相似用户感兴趣的服务项目进行预测评分。
[0023]进一步地，所述的根据用户行为判断的需要保护级别，具体步骤如下：
[0024]通过时间维度，对数据产生的时间波动进行分析：
[0025][0026]Ti:用户对属性数据i访问时间；Tmin:用户最早数据生成时间；Tmax:用户最近数
据生成时间。
[0027]本专利技术有益效果：
[0028]本专利技术通过智慧城市中用户在不同种类服务器上用户的信息数据，并且对在用户隐私保护和服务推荐之间做到一个很好的权衡。在最大程度上保护了用户的隐私，也能够完成商品的精确推荐。
附图说明
[0029]图1为本专利技术方法流程图；
[0030]图2为本专利技术用户数据隐私模糊流程图。
具体实施方式
[0031]为了便于理解本专利技术，下面将参照相关附图对本专利技术进行更全面的描述。附图中给出了本专利技术的典型实施例。但是，本专利技术可以以许多不同的形式来实现，并不限于本专利技术所描述的实施例。相反地，提供这些实施例的目的是使对本专利技术的公开内容更加透彻全面。
[0032]除非另有定义，本专利技术所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智慧城市中数据隐私与服务的推荐方法，其特征在于：所述的数据隐私与服务的推荐方法包括：S1用户数据隐私模糊，提取不同服务器上用户的数据，并在数据中加入噪音进行隐私模糊；S2用户数据融合，将不同服务器提到的用户数据进行融合，形成一个统一的用户行为数据集；S3用户数据切片，将整合好的用户数据，按照用户、服务、时间，三个方面进行数据切片分解；S4用户数据分类，将用户的数据划分为不同的行为类别，并且将相似的行为类别数据划分到同一个类簇；S5用户行为预测，对每个类簇使用分解算法对缺失的数据进行预测，补充完整用户的行为。2.根据权利要求1所述的一种智慧城市中数据隐私与服务的推荐方法，其特征在于：所述的S1用户数据隐私模糊；各服务器节点上的初始数据{r1,r2,
…
,r
k
}首先需要根据拉普拉斯分布添加随机的噪音{α1,α2,
…
,α
k
}，得到加入噪音后的新数据{r1′
,r
′2,
…
,r
′
k
}，再将新的数据集中到同一节点中进行后续的步骤。3.根据权利要求1所述的一种智慧城市中数据隐私与服务的推荐方法，其特征在于：所述的S2用户数据融合，在收到各个服务器节点上传来的加入噪音后的数据{r1′
,r
′2,
…
,r
′
k
}后，将这些数据整合为一个新的三维矢量数据R，三个维度分别是用户、服务、时间。4.根据权利要求1所述的一种智慧城市中数据隐私与服务的推荐方法，其特征在于：所述的S3用户数据切片，根据用户、服务、时间三个维度对三维矢量R进行分割，根据时间维度划分得到时间片集合{t1,t2,
…
,t
k
}；根据用户维度划分得到用户片集合{u1,u2,
…
,u
i
}；根据服务维度划分得到服务片集合{s1,s2,
…
,s
j
}；将得到时间片集合拼接为新的矩阵T
‑
M；将用户片集合拼接为新的矩阵U_M；将服务片...

【专利技术属性】
技术研发人员：吴志华，冯清洋，赵仕鹏，王斌，
申请(专利权)人：杭州绿城信息技术有限公司，
类型：发明
国别省市：