基于区块链的差分隐私矩阵分解方法及系统技术方案

本申请提供了一种基于区块链的差分隐私矩阵分解方法及系统，涉及区块链技术领域，可应用于金融领域和其他领域，所述方法包含：获取多个用户客户端根据本地存储的用户数据通过协同耦合算法生成的干扰数据集；根据所述干扰数据集构建用户分解数据矩阵，通过梯度下降算法计算所述用户分解数据矩阵中所述干扰数据集中的用户集和兴趣集；根据所述用户集和所述兴趣集通过差分隐私矩阵分解电路产生算法进行矩阵数据训练获得训练参数；根据所述训练参数向所述用户端反馈训练结果。参数向所述用户端反馈训练结果。参数向所述用户端反馈训练结果。

【技术实现步骤摘要】
基于区块链的差分隐私矩阵分解方法及系统


[0001]本申请涉及区块链
，可应用于金融领域和其他领域，尤其涉及一种基于区块链的差分隐私矩阵分解方法及系统。

技术介绍

[0002]随着电子商务等线上业务的普及，推荐系统已经成为大多数人网上购物活动的指路明灯。推荐系统的核心预测模型建立在深度机器学习基础上，涉及大规模用户偏好数据训练。当前，数据训练逐步呈现以用户活动为目标、去中心化和隐私风险等特点。为了减少隐私泄露风险，一般采用差分隐私保护(Privacy Preserving)用户敏感信息，差分隐私保护是一种新型的信息隐私保护技术，该技术通过在数据集中混合随机噪声隐藏了数据集真实的数据分布，提供了很强的隐私保护力度，在面对差分隐私攻击的时候，攻击者无论提交多少次查询，编排不同的查询组合，或判断被攻击者是否在数据集中，其返回的查询结果差别均在可控范围内。
[0003]差分隐私技术所产生的隐私保护程度，往往以降低真实数据的精度和可用性为代价，需要在用户隐私保护和数据的可用性之间进行权衡。推荐系统的机器学习中能否减少不信任推荐系统发生隐私泄本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于区块链的差分隐私矩阵分解方法，其特征在于，所述方法包含：获取多个用户客户端根据本地存储的用户数据通过协同耦合算法生成的干扰数据集；根据所述干扰数据集构建用户分解数据矩阵，通过梯度下降算法计算所述用户分解数据矩阵中所述干扰数据集中的用户集和兴趣集；根据所述用户集和所述兴趣集通过差分隐私矩阵分解电路产生算法进行矩阵数据训练获得训练参数；根据所述训练参数向所述用户端反馈训练结果。2.根据权利要求1所述的基于区块链的差分隐私矩阵分解方法，其特征在于，根据所述干扰数据集构建用户分解数据矩阵包含：根据所述干扰数据集通过合并生成合并矩阵；根据所述用户客户端的物理地址将所述合并矩阵转换为用户分解数据矩阵。3.根据权利要求1所述的基于区块链的差分隐私矩阵分解方法，其特征在于，获取多个用户客户端根据本地存储的用户数据通过协同耦合算法生成的干扰数据集包含：用户客户端根据本地存储的用户数据构建数据矩阵，通过协同矩阵算法将所述数据矩阵转换为用户集和兴趣集构成的协同耦合数据；于所述协同耦合数据中选取样本数据集，并将高斯噪声加入所述样本数据集中生成干扰数据集。4.根据权利要求1所述的基于区块链的差分隐私矩阵分解方法，其特征在于，通过梯度下降算法计算所述用户分解数据矩阵中所述干扰数据集中的用户集和兴趣集包含：根据梯度下降算法计算所述用户分解数据矩阵中的正则平方错误值，并通过迭代计算逐步适配所述干扰数据集中的用户集和兴趣集。5.根据权利要求1所述的基于区块链的差分隐私矩阵分解方法，其特征在于，根据所述用户集和所述兴趣集通过差分隐私矩阵分解电路产生算法进行矩阵数据训练获得训练参数包含：根据所述用户集和所述兴趣集构成初始化矩阵；根据所述初始化矩阵计算获得梯度贡献获得贡献数据；根据所述贡献数据从右向左迭代更新所述初始化矩阵中用户偏好数据获得训练模型，根据所...

【专利技术属性】
技术研发人员：李广普，杨明，杨明灿，罗斐，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：