跨系统协同过滤推荐算法的隐私保护技术研究

针对跨系统协同过滤推荐中用户信息安全问题,提出一个安全计算模型。模型基于安全多方计算理论,使用轻量级分组密码算法LBlock加密第三方提供的数据,并用RSA密码系统管理密钥。以该模型为安全基础,结合随机扰乱技术,提出一种跨系统协同过滤推荐算法,其相似度计算方法可以有效防止不良商家伪造商品评分信息。安全矢量积的引入使得第三方与系统无法进行非法串通。实验证明,算法在防止用户信息泄露给协同推荐系统的同时,计算用户相似度更加精确,预测误差也显著降低。     

一种改进的系统间隐私保持协同过滤推荐算法

针对系统间协同过滤推荐过程中的隐私泄露问题,以RSA公钥密码系统和安全多方计算SMC理论为基础,提出一个安全计算模型SCM,将安全计算模型SCM应用到系统间协同过滤中,得到一个有效的隐私保持协同过滤推荐算法。算法利用安全矢量积计算用户的相似度,防止了第三方的恶意串通。实验表明,该算法不但可以保护用户的隐私不泄露给协同合作的系统,而且提高了推荐算法的精度,特别是对用户数据稀疏的小站点。     

协同过滤系统隐私保护和推荐准确性研究

针对协同过滤推荐系统在预测过程中容易泄漏用户概貌数据的问题,在不影响推荐准确性的前提下,提出一种用户数据混淆策略,使响应用户的评分数据在计算用户相似度之前被假数据代替,用户尽量少泄露(或不泄露)个人评分信息,进而实现用户隐私的保护。通过实验分析数据混淆策略对协同过滤推荐准确性的影响,证明该策略的有效性。     

一种基于差分隐私保护的协同过滤推荐方法

由于推荐系统需要利用大量用户数据进行协同过滤,会给用户的个人隐私带来相当大的风险,如何保护隐私数据成为推荐系统当前面临的重大挑战.差分隐私作为一种新出现的隐私保护框架,能够防止攻击者拥有任意背景知识下的攻击并提供有力的保护.针对推荐系统中的隐私保护问题,提出一种满足差分隐私保护的协同过滤推荐算法.首先,构建用户和项目的潜在特征矩阵,有效降低数据稀疏性;然后,采用目标扰动方法对矩阵中添加满足差分隐私约束的噪声得到噪矩阵分解模型;通过随机梯度下降算法最小化相关联的正则化平方误差函数来获取模型中的参数;最后,应用差分隐私矩阵分解模型进行评分预测,并在MovieLens和Netflix数据集上对算法的有效性进行评价.实验结果证明:所提出方法的有效性能够在有限的精度损失范围内进行推荐并保护用户隐私.     

一种改进的隐私保持协同过滤推荐算法

采用随机扰乱技术的协同过滤推荐算法会降低推荐精度,基于此,提出扰乱强度权重的概念及其度量方法,给出一种改进的基于随机扰乱技术的隐私保持协同过滤推荐算法。该算法依据推荐用户的扰乱强度计算相应的扰乱强度权重,相似度的计算综合考虑用户评分相似度和扰乱强度权重两方面因素。实验表明,改进后的算法在不影响隐私保护效果的前提下,提高了推荐精度。     

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.     

基于上下文的分布式协同过滤推荐技术

针对传统协同过滤推荐技术应用于大规模动态数据集时难以兼顾准确度和效率的问题,提出一种基于上下文的分布式协同过滤推荐技术,引入推荐上下文的概念,并在此基础上充分考虑用户的即时兴趣以提高推荐的准确度,采用评分矩阵的分布式存储和计算以提高推荐的效率。实验结果表明,该分布式协同过滤技术能同时保证推荐的准确度和效率,使其在大规模动态数据集上的应用更具优势。     

基于多方安全计算隐私保持的异常检测算法研究

本文首先介绍了保持隐私的异常检测算法和多方安全计算,接着提出了一种新的安全和计算算法。该算法有效地解决了多个站点间保持隐私的和计算的串谋问题,并应用于基于垂直划分的分布式数据库的异常检测中,给出了一种保持隐私异常检测算法,最后对该算法的安全性、计算和通讯开销做了简要的估计。     

基于Mahout分布式协同过滤推荐算法分析与实现

随着信息技术和互联网的发展,在信息过载的时代,用户面对海量的信息,难以正确选择。协同过滤推荐是个性化推荐中比较成熟的算法,但其稀疏性、冷启动、可扩展性问题仍然存在,尤其是不能应用于分布式推荐。在Hadoop平台上,Mahout实现了分布式基于项目的协同过滤推荐算法,该算法能够有效解决传统算法的海量数据处理的效率问题和可扩展性问题。实验结果表明,Mahout上基于项目的协同过滤推荐算法具有较好的计算高效性和可扩展性。     

融合信任计算的协同过滤推荐方法

协同过滤推荐是目前应用最为广泛的推荐策略之一,但存在数据稀疏和难扩展问题.文中在传统基于用户的协同过滤推荐算法的基础上,引入信任关系计算,利用信任关系的条件传递特性,设计并构建一个集用户声望信任和用户局部信任的混和信任网络,并将用户间评分相似度和网络中用户间信任评价度结合,为用户寻找更多基于信任因素和兴趣因素的二维相似近邻.在Epinions数据集上以平均绝对误差(MAE)和均方根误差(RSME)等作为实验评价指标,对该方法进行验证实验.结果表明相比传统协同过滤推荐算法,该方法在MAE上提高约6.8%,最优值达到0.7513,t检验的结果也表明该方法能显著提高推荐系统性能.     

一种基于分众分类的协同过滤推荐算法

基于内存的协同过滤算法是推荐系统中使用的最成功的技术之一,但它存在着数据稀疏性和可扩展性的问题。分众分类是一种能使用户发现、组织和理解在线事物的强有力的机制。基于这种机制,提出了一种新的协同过滤算法,来解决该算法中的稀疏性和可扩展性的问题。实验表明,该算法在解决这些问题上是有效的。     

改进模糊划分聚类的协同过滤推荐算法

针对传统协同过滤（CF）推荐算法存在评分矩阵稀疏、扩展性弱和推荐准确率低的缺陷，提出一种改进模糊划分聚类的协同过滤推荐算法（GIFP-CCF+）。在传统基于修正余弦相似度计算方法上，引入时间差因子、热门物品权重因子以及冷门物品权重因子以改善相似度计算结果；同时引入改进模糊划分的GIFP-FCM算法，将属性特征相似的项目聚成一类，构造索引矩阵，同索引间根据项目间的相似度寻找项目最近邻居构成推荐，从而提高协同过滤算法（CF）的精度。通过与Kmeans-CF、FCM-CF和GIFP-CCF算法进行仿真对比实验，证明了GIFP-CCF+算法在推荐结果和推荐精度上具有一定的优越性。     

融合用户信任模型的协同过滤推荐算法

协同过滤推荐是电子商务系统中最为重要的技术之一.随着电子商务系统中用户数目和商品数目的增加,用户-项目评分数据稀疏性问题日益显著.传统的相似度度量方法是基于用户共同评分项目计算的,而过于稀疏的评分使得不能准确预测用户偏好,导致推荐质量急剧下降.针对上述问题,本文考虑用户评分相似性和用户之间信任关系对推荐结果的影响,利用层次分析法实现用户信任模型的构建,提出一种融合用户信任模型的协同过滤推荐算法.实验结果表明： 该算法能够有效反映用户认知变化,缓解评分数据稀疏性对协同过滤推荐算法的影响,提高推荐结果的准确度.     

基于分类的协同过滤图书推荐系统应用研究

随着社会的发展,图书馆图书的总量呈数量级增长,人们面对大量的图书和文献资料变得无从选择,而传统的 图书检索技术并不能向读者提供主动式、个性化的检索结果。推荐系统是一种智能化系统,它把用户对目标对象的选择、评价 等大量信息通过特定的算法进行处理,根据处理结果形成推荐列表向用户进行推荐,以此提供决策参考。文章将就基于分类 的协同过滤图书推荐系统展开研究和探讨。     

一种基于协同过滤技术的在线交友推荐系统的设计与实现

为了满足年轻人在交友择偶方面需求,越来越多的征友网站应运而生.随着网站用户不断增加,根据用户提交的交友要求来进行推荐,往往结果数以千计或万计,要从这里面发现用户感兴趣的对象变得非常困难,我们将协同过滤算法引入交友推荐系统,并设计了一个个性化相似项目的协同过滤算法,根据用户的兴趣进行项目最近邻居查找,大大提高了用户对搜索结果的满意度.     

一种基于协同过滤技术的在线交友推荐系统的设计与实现

为了满足年轻人在交友择偶方面需求,越来越多的征友网站应运而生。随着网站用户不断增加,根据用户提交的交友要求来进行推荐,往往结果数以千计或万计,要从这里面发现用户感兴趣的对象变得非常困难,我们将协同过滤算法引入交友推荐系统,并设计了一个个性化相似项目的协同过滤算法,根据用户的兴趣进行项目最近邻居查找,大大提高了用户对搜索结果的满意度。     

一种面向多源异构数据的协同过滤推荐算法

随着电子商务网站的快速发展,数据特征和现实需求均发生了较大变化.以大规模、多源性、异构性为主要特征的数据发挥着更加重要的作用.然而,电子商务系统中数据所具有的特性使得大多数协同过滤方法较难直接用于物品推荐.如何整合多源异构数据来实现数据的价值最大化是当前推荐系统亟待解决的问题.针对这一问题,首先分析了多源异构数据中各类数据的特点,并根据各自特点为其设计了不同的建模方式.其次,提出一种新颖的推荐模型用于评分预测任务,它通过融合多关系数据和视觉信息来缓解数据稀疏问题.最后,设计了一种高效的算法MSRA(multi-source heterogeneous information based recommendation algorithm)用于求解所提模型的参数.在多个亚马逊数据集上的实验结果表明:1)面向多源异构数据的推荐算法其性能明显优于当前主流协同过滤算法; 2)该算法不仅可以有效缓解物品的冷启动问题,而且能够更好地预测不同类型物品的实际评分.