基于差分隐私的协同过滤推荐算法研究

• 作 者: 耿夏琛
• 出 处: 南京理工大学
• 发表日期: 2004年期
• 关键词: 差分隐私 协同过滤 推荐系统 隐私保护 个性化推荐

近年来,随着互联网与移动通讯技术的持续飞速发展,互联网上的各类信息爆炸式的增长。推荐系统可以从海量数据中挖掘人们所需的信息,已经得到广泛应用。协同过滤推荐算法是目前推荐领域应用最为广泛的推荐算法之一,但是协同过滤推荐存在很大的用户隐私泄露的风险已经成为公认事实。越来越多的用户出于对隐私泄露的担忧不愿意提供更多的个人信息,这不利于推荐系统的进一步推广与提升,为推荐系统建立自己的隐私保护手段成了研究热点。在数据隐私保护领域,差分隐私保护技术由于可以提供严格的隐私保护效果,已经得到国内外研究人员的研究与认可,但差分隐私保护技术的研究大多集中在理论方面,缺少实际应用方面的研究。对此,为了提高推荐系统的隐私保护,本文将差分隐私保护与协同过滤推荐算法结合,针对协同过滤两种不同类型的方法的特点,构建对应的差分隐私保护模型,主要研究工作及成果如下:首先,针对基于矩阵分解的协同过滤推荐算法的隐私保护,本文采用一种基于矩阵分解协同过滤推荐算法模型作为隐私保护研究基础,该推荐算法模型在基本的矩阵分解模型的基础上,增加偏置项来提高推荐的准确度。随后对该推荐算法模型进行差分隐私保护分析,通过在平均值计算、随机梯度下降过程中进行差分隐私保护,设计并实现了一种基于差分隐私保护的矩阵分解推荐算法。其次针对基于邻域的协同过滤推荐算法的隐私保护,本文采用一种引入偏置项优化的邻域的协同过滤模型作为研究基础,通过对该推荐模型计算过程中的平均值计算、偏置项计算、邻居选择、相似度计算等多环节设计并实现相应的差分隐私保护方法,构建了一种基于差分隐私保护的邻域推荐算法。对于本文提出的两种差分隐私保护协同过滤算法,不仅从理论角度对算法的隐私性进行了分析,证明了算法满足e-差分隐私,而且还在MovieLens和Netflix两种不同规模的数据集上进行实验比较和分析。实验结果说明本文提出的差分隐私保护协同过滤算法能够在保证差分隐私保护的基础上取得较好推荐准确度,且相比于已有的差分隐私保护推荐算法,在略牺牲隐私保护效果的情况下,可以获得更好的推荐效果,具有更好的实际应用价值。