跨系统协同过滤推荐算法的隐私保护技术研究

发布时间：2019-09-18 00:09

【摘要】：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。
【图文】：

在实际应用中，用户往往只评分极少数项，两个用户共同评价项过少，用传统方法计算其相似度会产生巨大误差。此外，不良商家通过伪造托用户以提高自己商品的评分，诱使推荐系统将其商品推荐给用户。在相似度计算中引入Jaccard相关系数的概念可以缓解以上问题，提高推荐精度。Jaccard相关系数最初定义为Jaccard(A，B)=A∩BA∪B由此继续提出:Jaccard(u，v)=|Iu∩Iv||Iu∪Iv|·min(∑i∈N1{rui≠0∩rvi≠0}，5)5(12)其中:|Iu∩Iv|和|Iu∪Iv|分别表示用户u和v评分项的并集和交集的数量;∑i∈N1{rui≠0∩rvi≠0}，表示用户u、v共同评分项的数量。式(12)综合考虑用户共同评分项的比例以及数量，它的值与共同评分项的比例及数量均成正比。其中数量以5作为阈值，共同评分数小于5时，min(∑i∈N1{rui≠0∩rvi≠0}，5)5大于0小于1，大于5时，min(∑i∈N1{rui≠0∩rvi≠0}，5)5等于1。至此，得到了一种在随机干扰情况下的改进相似度计算式(7)。2．3基于安全计算模型和随机扰动的跨系统协同过滤推荐算法首先，参与协同推荐的各个系统对各自的用户评分数据进行z-score标准化处理，以系统Alice与Bob为例，使用式(5)对各自评分数据处理得到rui，为处理后的数据添加随机扰动。在协同过滤推荐系统中，评分数据都相对较小，所以本文主要采用加性加入噪声的方法，得到r'ui=rui+γui，其中γui为服从高斯分布或均匀分布在一定范围内的随机数。随后进行协作推荐，算法描述如下:输入:Alice:XA=XAu，XAu=(r'u1，r'u2，…，r'un)，1≤u≤|IA|;Bob:YB=(YB1，YB2，…，YB

在实际应用中，用户往往只评分极少数项，两个用户共同评价项过少，用传统方法计算其相似度会产生巨大误差。此外，不良商家通过伪造托用户以提高自己商品的评分，诱使推荐系统将其商品推荐给用户。在相似度计算中引入Jaccard相关系数的概念可以缓解以上问题，提高推荐精度。Jaccard相关系数最初定义为Jaccard(A，B)=A∩BA∪B由此继续提出:Jaccard(u，，v)=|Iu∩Iv||Iu∪Iv|·min(∑i∈N1{rui≠0∩rvi≠0}，5)5(12)其中:|Iu∩Iv|和|Iu∪Iv|分别表示用户u和v评分项的并集和交集的数量;∑i∈N1{rui≠0∩rvi≠0}，表示用户u、v共同评分项的数量。式(12)综合考虑用户共同评分项的比例以及数量，它的值与共同评分项的比例及数量均成正比。其中数量以5作为阈值，共同评分数小于5时，min(∑i∈N1{rui≠0∩rvi≠0}，5)5大于0小于1，大于5时，min(∑i∈N1{rui≠0∩rvi≠0}，5)5等于1。至此，得到了一种在随机干扰情况下的改进相似度计算式(7)。2．3基于安全计算模型和随机扰动的跨系统协同过滤推荐算法首先，参与协同推荐的各个系统对各自的用户评分数据进行z-score标准化处理，以系统Alice与Bob为例，使用式(5)对各自评分数据处理得到rui，为处理后的数据添加随机扰动。在协同过滤推荐系统中，评分数据都相对较小，所以本文主要采用加性加入噪声的方法，得到r'ui=rui+γui，其中γui为服从高斯分布或均匀分布在一定范围内的随机数。随后进行协作推荐，算法描述如下:输入:Alice:XA=XAu，XAu=(r'u1，r'u2，…，r'un)，1≤u≤|IA|;Bob:YB=(YB1，YB2，…，YB
【作者单位】： 河北工业大学计算机科学与软件学院;河北工业大学廊坊分校;
【基金】：河北省高等学校科学技术研究项目(ZD20131070)
【分类号】：TP309

【相似文献】

相关期刊论文 前10条

1 徐义峰;陈春明;徐云青;;一种基于分类的协同过滤算法[J];计算机系统应用;2007年01期

2 杨风召;;一种基于特征表的协同过滤算法[J];计算机工程与应用;2007年06期

3 王岚;翟正军;;基于时间加权的协同过滤算法[J];计算机应用;2007年09期

4 曾子明;张李义;;基于多属性决策和协同过滤的智能导购系统[J];武汉大学学报(工学版);2008年02期

5 张富国;;用户多兴趣下基于信任的协同过滤算法研究[J];小型微型计算机系统;2008年08期

6 侯翠琴;焦李成;张文革;;一种压缩稀疏用户评分矩阵的协同过滤算法[J];西安电子科技大学学报;2009年04期

7 廖新考;;基于用户特征和项目属性的混合协同过滤推荐[J];福建电脑;2010年07期

8 徐红;彭黎;郭艾寅;徐云剑;;基于用户多兴趣的协同过滤策略改进研究[J];计算机技术与发展;2011年04期

9 焦晨斌;王世卿;;基于模型填充的混合协同过滤算法[J];微计算机信息;2011年11期

10 宋纬华;田元;;基于蚁群算法的协同过滤推荐技术[J];农业图书情报学刊;2013年08期

相关会议论文 前10条

1 沈杰峰;杜亚军;唐俊;;一种基于项目分类的协同过滤算法[A];第二十二届中国数据库学术会议论文集（技术报告篇）[C];2005年

2 周军锋;汤显;郭景峰;;一种优化的协同过滤推荐算法[A];第二十一届中国数据库学术会议论文集（研究报告篇）[C];2004年

3 董全德;;基于双信息源的协同过滤算法研究[A];全国第20届计算机技术与应用学术会议（CACIS·2009）暨全国第1届安全关键技术与应用学术会议论文集（上册）[C];2009年

4 张光卫;康建初;李鹤松;刘常昱;李德毅;;面向场景的协同过滤推荐算法[A];中国系统仿真学会第五次全国会员代表大会暨2006年全国学术年会论文集[C];2006年

5 李建国;姚良超;汤庸;郭欢;;基于认知度的协同过滤推荐算法[A];第26届中国数据库学术会议论文集（B辑）[C];2009年

6 王明文;陶红亮;熊小勇;;双向聚类迭代的协同过滤推荐算法[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年

7 胡必云;李舟军;王君;;基于心理测量学的协同过滤相似度方法(英文)[A];NDBC2010第27届中国数据库学术会议论文集(B辑)[C];2010年

8 林丽冰;师瑞峰;周一民;李月雷;;基于双聚类的协同过滤推荐算法[A];2008'中国信息技术与应用学术论坛论文集（一）[C];2008年

9 罗喜军;王韬丞;杜小勇;刘红岩;何军;;基于类别的推荐——一种解决协同推荐中冷启动问题的方法[A];第二十四届中国数据库学术会议论文集（研究报告篇）[C];2007年

10 黄创光;印鉴;汪静;刘玉葆;王甲海;;不确定近邻的协同过滤推荐算法[A];NDBC2010第27届中国数据库学术会议论文集A辑一[C];2010年

相关博士学位论文 前7条

1 纪科;融合上下文信息的混合协同过滤推荐算法研究[D];北京交通大学;2016年

2 程殿虎;基于协同过滤的社会网络推荐系统关键技术研究[D];中国海洋大学;2015年

3 于程远;基于QoS的Web服务推荐技术研究[D];上海交通大学;2015年

4 李聪;电子商务推荐系统中协同过滤瓶颈问题研究[D];合肥工业大学;2009年

5 孔维梁;协同过滤推荐系统关键问题研究[D];华中师范大学;2013年

6 夏培勇;个性化推荐技术中的协同过滤算法研究[D];中国海洋大学;2011年

7 赵向宇;Top-N协同过滤推荐技术研究[D];北京理工大学;2014年

相关硕士学位论文 前10条

1 邹腾飞;基于多特征融合的混合协同过滤算法研究[D];西南大学;2015年

2 于钰雯;基于项目凝聚层次聚类的协同过滤推荐算法研究[D];辽宁大学;2015年

3 杜文刚;基于多属性评分的协同过滤推荐算法研究[D];辽宁大学;2015年

4 高慧敏;融合占有度的时间遗忘协同过滤混合推荐算法研究[D];燕山大学;2015年

5 苏靖涵;面向SaaS多租户的动态推荐方法研究[D];辽宁大学;2015年

6 徐晓妮;基于人工鱼群算法的协同过滤推荐算法研究[D];辽宁大学;2015年

7 罗培;移动购物导购关键技术的研究与系统实现[D];西南交通大学;2015年

8 李婧;融合用户差异度及信息熵的协同过滤推荐算法[D];西安建筑科技大学;2015年

9 乐柱;基于误差反馈的协同过滤算法[D];华南理工大学;2015年

10 马兆才;基于协同过滤的推荐系统算法研究与实现[D];兰州大学;2015年

本文编号：2537167