融合显隐式反馈协同过滤的差分隐私保护算法

由于协同过滤推荐算法依赖用户的数据,因而存在很大的隐私泄露风险.差分隐私保护技术可提供严格的隐私保护效果,但目前大多数基于差分隐私的推荐算法没有考虑隐式反馈数据,针对该问题,提出了一种新的基于差分隐私保护的协同过滤推荐算法.首先对隐式反馈矩阵进行矩阵分解,得到用户和物品的隐式特征向量;然后把得到的隐式特征向量融合到显式反馈模型求解中,通过在模型求解过程中加入均值扰动和梯度扰动,使算法满足ε-差分隐私保护;最后应用此算法预测评分,并在MovieLens数据集上对算法进行有效性评价.实验结果表明,所提算法能在推荐结果的准确性和用户的隐私保护之间实现有效的平衡.     

压缩降维矩阵分解算法的差分隐私推荐

为提供更好的用户体验,提出一种考虑压缩降维矩阵分解的差分隐私随机扰动推荐算法。首先,改进了局部差分隐私保护(LDP)的下矩阵分解算法,单个用户将自己的数据随机化以满足不同的隐私,并将受干扰的数据发送到推荐器。然后,推荐者计算扰动数据的聚集,框架确保了用户的项目和评级对推荐者都是私有的。同时为解决LDP应用于矩阵因式分解时存在的数据高维特性,采用了随机投影降维技术,在没有数据先验知识情况下减少用户数据的维度。通过在Last.fm和Flixster测试集上对推荐系统的推荐精度、推荐效率以及参数变化影响进行了实验分析,证明了上述算法在更强的隐私要求下比现有的算法具有更好的矩阵分解性能,验证了算法的有效性。     

基于混合相似度和差分隐私的协同过滤推荐算法

现有协同过滤推荐算法中,存在的评分片面、主观性强、评分矩阵稀疏性等因素影响了推荐的精确度,并在推荐中存在隐私泄露等问题.针对上述问题,提出一种基于混合相似度和差分隐私的协同过滤推荐算法.该算法基于多种相似度进行加权计算构造混合相似度,提高推荐精度;以混合相似度作为质心更新和分类条件,利用改进的K-means算法将与目标用户相似度高的用户进行聚类;采用枚举方法在目标用户集中划分子集,并基于混合相似度构建效用函数,利用差分隐私指数机制在各子集中选择邻居集合,保护用户隐私;最后在邻居集合中选择出评分值最高的项目进行推荐.实验结果表明,该算法在保护用户隐私的同时,有效提高了推荐的精确度.     

基于隐私保护的联邦推荐算法综述

推荐系统通过集中式的存储与训练用户对物品的海量行为信息以及内容特征, 旨在为用户提供个性化的信息服务与决策支持. 然而, 海量数据背后存在大量的用户个人信息以及敏感数据, 因此如何在保证用户隐私与数据安全的前提下分析用户行为模式成为了近年来研究的热点. 联邦学习作为新兴的隐私保护范式, 能够协调多个参与方通过模型参数或者梯度等信息共同学习无损的全局共享模型, 同时保证所有的原始数据保存在用户的终端设备, 较之于传统的集中式存储与训练模式, 实现了从根源上保护用户隐私的目的, 因此得到了众多推荐系统领域研究学者们的广泛关注. 基于此, 对近年来基于联邦学习范式的隐私保护推荐算法进行全面综述、系统分类与深度分析. 具体的, 首先综述经典的推荐算法以及所面临的问题, 然后介绍基于隐私保护的推荐系统与目前存在的挑战, 随后从多个维度综述结合联邦学习技术的推荐算法, 最后对该方向做出系统性的总结并对未来研究方向与发展趋势进行展望.     

一种带隐私保护的基于标签的推荐算法研究

在基于标签的推荐中,标签起着联系用户和信息资源的作用。但 由于存在语义特性,相较于评分数据,标签数据在一定程度上更能够直接反映用户喜好,隐私问题更为突出。推荐服务器收集用户的历史标签记录,一旦攻击者通过攻击推荐服务器而获得了用户信息,将造成严重的用户隐私泄露问题。对此,提出一种带有隐私保护的基于标签k-means聚类的资源推荐方法CDP k-meansRA,即利用Crowds网络进行用户发送方匿名保护,并且将ε-差分隐私保护融入改进的标签k-means聚类算法中。通过实验将提出的CDP k-meansRA与k-meansRA等算法进行比较,证明了CDP k-meansRA能够在保护用户隐私的前提下,保证一定的推荐质量。     

基于跨域关联与隐私保护的深度推荐模型

推荐系统能够根据用户的偏好有效地过滤信息,已被广泛应用于各行各业,但随着用户数量的爆炸式增长,数据稀疏性和冷启动问题日益严重.多源数据融合可以有效缓解数据稀疏和冷启动情况下的推荐精度,其主要思想是融合用户在其他方面的辅助信息来填补缺失值,以优化目标服务的推荐准确度,受到了研究者的青睐,但由于数据之间的关联引入了更为严重的隐私泄露风险.针对以上问题,提出一种基于跨域关联与隐私保护的深度推荐模型,设计一种具有多源数据融合和差分隐私保护特征的深度学习协同推荐方法.该方法一方面融合辅助领域信息以提高推荐的精确度,同时修正异常点的偏差,改善推荐系统的性能;另一方面针对数据融合中的数据安全问题,基于差分隐私模型在协同训练过程中加入噪音以保证数据的安全性.为了更好地评价推荐系统中的长尾效应,首次提出一种新的评价指标-发现度,用以度量推荐算法发现用户隐性需求的能力.基于已有算法进行了性能对比与分析,实验结果证明,所提方法在保证隐私安全的前提下,比现有方法具有更好的推荐精度和多样性,能够有效地发现用户的隐性需求.     

基于差分隐私的混合位置隐私保护

针对现有差分隐私k-means算法对初始中心点敏感、用户位置数据误差偏大、可用性较低等问题,根据LBS的特点,引入人流密度的概念,提出一种基于差分隐私k-means的混合位置隐私保护方法。根据LBS特点将用户位置点分成离散位置点和非离散位置点,基于差分隐私技术,采用改进聚类算法对位置信息进行泛化和加噪;通过分析用户位置点的稀疏程度来确定离散点,对离散点位置信息采用基于差分隐私的单独加噪技术;对非离散点采用基于差分隐私的改进k-means算法进行泛化处理,以实现用户位置信息的隐私保护。仿真实验表明,在相同隐私预算的前提下,该方法具有较高的数据可用性。     

考虑用户兴趣分析的差分隐私方案推荐

现有差分隐私推荐算法在计算相似度时,直接根据用户—方案数据进行计算,而忽略了方案属性对用户偏好的影响,没有反映用户的真实偏好,不能进行准确推荐。针对此问题,提出考虑用户兴趣分析的差分隐私推荐方法。该方法首先收集用户对方案属性的兴趣评分,其次使用K-means++对用户—方案属性评分数据进行聚类,然后采用差分隐私算法选择近邻用户,并为目标用户推荐适合的方案。最后,以养老院方案推荐为例予以验证。实验结果显示：与KDPC、DPCF、PNCF相比,所提算法在相同隐私预算下,平均绝对误差下降约19.0%、34.0%、37.7%;在相同近邻集合尺寸下,平均绝对误差下降约10.4%、20.3%、21.4%。因此,该算法在保护了用户隐私的基础上,进一步提高了推荐精度。     

基于差分隐私保护的兴趣点推荐算法设计

兴趣点推荐算法收集用户的历史行为记录,根据收集到的记录推测用户偏好,结合用户偏好向用户推荐新的兴趣点。针对传统的兴趣点推荐过程中,用户的隐私信息容易被泄露的问题,利用差分隐私保护机制对用户信息进行保护,防止被恶意攻击。差分隐私保护实现机制主要包括指数机制和拉普拉斯机制,均被使用于地理位置隐私保护算法中。基于差分隐私保护的地理位置隐私保护算法根据数据集中各项记录的相互关系建立位置搜索树;运用指数机制并结合树的结构挑选出经常访问的k项纪录;对这k项记录添加拉普拉斯噪声,发布加噪后的位置搜索树。实验表明,该算法能在推荐效果不变的情况下,有效地保护用户的隐私信息。     

差分隐私保护在推荐系统中的应用研究

推荐系统已经成为Internet商家给用户提供个性化服务的高级商务智能平台之一。然而,用于研究推荐系统的数据信息里往往存在能够被攻击者直接或者间接获取的个人隐私。近年来受到极大关注的差分隐私保护是一种非常严格的、可证明的隐私保护模型。针对目前流行的协同过滤算法之一的矩阵分解进行了研究,提出了采用差分隐私保护技术对原始输入数据进行预处理和扰动处理的新方法。最后通过在真实数据集上进行相关实验验证,结果表明文中提出的带差分隐私保护的矩阵分解算法达到了预期：一方面既能保护用于做推荐研究的原始数据集的隐私,另一方面又没有严重影响推荐的准确率。