一种基于目标扰动的本地化差分隐私矩阵分解推荐方法

技术领域

本发明属于计算机推荐系统和信息安全领域，涉及一种基于目标扰动的本地化差分隐私矩阵分解推荐方法。

背景技术

推荐系统在协助用户处理信息过载问题中发挥了重要作用。协同过滤推荐是推荐系统常用的技术，它利用用户的历史行为数据，分析其偏好，产生推荐列表，辅助用户进行决策。由于推荐系统需要使用大量的用户个性化数据，引起了人们对个人隐私的担心。已有研究表明，深入分析推荐系统中使用的用户历史行为数据，可以挖掘用户无意透露的敏感信息。从用户隐私的角度来看，由于协同过滤推荐方法使用了大量的用户数据，将基于这些数据训练得到的推荐模型发布出去会给用户的个人隐私带来极大的威胁。

差分隐私以数学为基础对隐私损失进行了严格的定义，确保单个数据样本的变化对所有数据的处理结果的影响是微乎其微的。本地化差分隐私是差分隐私的一种变体，旨在收集和分析个体数据时保护个人的隐私。其假设服务器是不可信的并且不能获得用户的真实数据，用户的数据必须保存在用户本地。本地化差分隐私的核心思想是数据在用户设备上进行加噪，然后再将带有噪声的数据发送给数据收集者或分析者，以达到保护隐私的目的。由于噪声是在本地应用的，数据在离开个体设备之前已经被扰动，从而减少了隐私泄露的风险，并且避免了大规模数据集的集中式存储和处理，减少了中心服务器上数据泄露的风险。

发明内容

有鉴于此，本发明的目的在于提供一种基于目标扰动的本地化差分隐私矩阵分解推荐方法，实现协同过滤推荐模型在安全性和可用性之间的良好平衡。

为达到上述目的，本发明提供如下技术方案：

一种基于目标扰动的本地化差分隐私矩阵分解推荐方法，具体包括以下步骤：

S1：服务器随机初始化项目隐因子矩阵

S2：每个用户i(i＝1,2,…,n)初始化自己的隐因子向量

S3：每个用户i从M

S4：服务器接收所有用户的p

S5：用户i接收Loc并初始化矩阵

S6：服务器接收所有用户的

S7：每个用户i在本地根据公式

进一步，在所述步骤S1中，服务器随机初始化项目隐因子矩阵

进一步，在所述步骤S2中，每个用户i(i＝1,2,…,n)首先初始化自己的隐因子向量

其中，r

其中，u

进一步，在所述步骤S3中，每个用户i从自己的标记矩阵M

进一步，在所述步骤S4中，服务器接收所有用户的p

进一步，在所述步骤S5中，用户i接收Loc并初始化矩阵

进一步，在所述步骤S6中，服务器接收所有用户的

进一步，在所述步骤S7中，每个用户i在本地根据公式

本发明的有益效果在于：本发明针对推荐服务器不可信场景中的隐私泄露问题，提出一种基于目标扰动的本地化差分隐私矩阵分解推荐方法。本发明将评分数值和评分的存在性同时作为隐私保护的对象，为用户提供全面的隐私保护。并且本发明采用目标扰动方法，有效避免模型训练过程中噪声累积的问题，保证模型训练的有效性。针对分布式场景下多轮迭代导致的中间参数泄露问题，本发明以无放回方式将采样的模型梯度发送给推荐服务器，用于模型训练。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为矩阵Loc的计算示意图；

图2为用户i计算

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

请参阅图1～图2，具体包括以下步骤：

步骤1、服务器随机初始化项目隐因子矩阵

步骤2、每个用户i(i＝1,2,…,n)首先初始化自己的隐因子向量

其中，r

其中，u

步骤3、每个用户i从自己的标记矩阵M

步骤4、服务器接收所有用户的p

步骤5、用户i接收Loc并初始化矩阵

步骤6、服务器接收所有用户的

重复步骤4和步骤5，P、Q满足条件时停止迭代并保存矩阵V。

步骤7、每个用户i在本地根据公式

实施例

本发明所述的基于目标扰动的本地化差分隐私矩阵分解推荐方法，具体包括以下步骤：

步骤一：服务器随机初始化项目隐因子矩阵

步骤二：每个用户i从M

步骤三：用户i接收Loc并初始化矩阵

步骤四：每个用户i在本地根据公式

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。