融合社会信息的差分隐私推荐算法
发布时间：2021-10-12 08:12
互联网技术飞速发展,在如今的网络环境中产生的信息往往巨大且复杂的,人们被大量的信息所吞没,在面对这些令人眼花缭乱的海量数据时,用户已经无法直接便利地获得其所需要的有效信息。如何高效为人们提供需要的信息是当今互联网环境的关键,针对这样的信息过载问题,目前最有效的方法便是推荐系统,它根据用户的历史信息分析其潜在的兴趣爱好帮助用户发现其可能需要的信息节省用户找搜索信息的时间。尽管推荐系统可以帮助缓解信息过载问题,但是仍然还有一些问题有待解决。因为推荐过程是基于已有的用户信息下进行的,在面对用户信息缺失的情况下会面临推荐准确性差的问题;另外,由于推荐系统要掌握用户与系统的交互行为信息,必然会给用户的个人信息泄露带来极大威胁。这两个问题产生的原因相互矛盾,如何同时解决数据缺失和用户隐私问题值得深入探讨。本文首先对推荐系统的研究背景作出阐述指明本文的研究意义,对国内外研究现状进行总结,归纳当前常用的推荐模型及隐私保护方法的优缺点。然后,详述流行的推荐算法的工作原理和差分隐私的基本定义,以结合辅助信息和差分隐私为出发点提出相应的解决方案,本文具体的研究内容有:（1）为提高对冷启动项目的推荐能力并保护...
【文章来源】：江西理工大学江西省
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
本章算法与TOCF的MAE比较
图 3.2 不同评分相似度权重的 MAE4 隐私保护对推荐结果的影响意在考察差分隐私对推荐算法的影响。因此本章提出的隐私保护出的 DPSS++和文献[38]提出的 PSGD 及 PALS 算法进行对比。观算法 MAE 的变化情况。3.3 中可以看到推荐算法的 MAE 值随着隐私预算 ε 的增加而降低特性，隐私预算越小加入的噪声越多，隐私保护级别也就更高，地降低。其中 PSGD 与 PALS 算法的 MAE 值最高，变化趋势也两种方法都只考虑了评分信息，并且这两种算法求解最优值的核算法的曲线最为相似。++与本章算法 DPMFBT 在评分信息的基础上考虑了隐式反馈和度，因此拥有比 PSGD 和 PALS 更低的 MAE 值。同时，可以看时候，PSGD 与 PALSMAE 值得变化幅度最大，可断定这两种方私预算的取值，过小的隐私预算会大大破坏数据的可用性。在本章算法 DPMFBT 则要好的多，同时没有严重偏离非隐私保护的
图 3.3 不同差分隐私参数下的 MAE图 3.4 参数 β 对 MAE 的影响5 相似度惩罚参数 β 对推荐结果的影响考察参数 β 的变化对本章算法推荐精度的影响，并比较隐私保护
【参考文献】：
期刊论文
[1]基于差分隐私和SVD++的协同过滤算法[J]. 鲜征征,李启良,黄晓宇,吕威,陆寄远. 控制与决策. 2019(01)
[2]基于标签优化的协同过滤推荐算法[J]. 张景龙,黄梦醒,张雨,吴庆州. 计算机应用研究. 2018(10)
[3]融合社交信息的矩阵分解推荐方法研究综述[J]. 刘华锋,景丽萍,于剑. 软件学报. 2018(02)
[4]一种带隐私保护的基于标签的推荐算法研究[J]. 曹春萍,徐帮兵. 计算机科学. 2017(08)
[5]基于差分隐私的社交推荐方法[J]. 彭慧丽,张啸剑,金凯忠. 计算机科学. 2017(S1)
[6]融合社交网络信息的协同过滤推荐算法[J]. 郭兰杰,梁吉业,赵兴旺. 模式识别与人工智能. 2016(03)
[7]差分隐私保护参数ε的选取研究[J]. 何贤芒,王晓阳,陈华辉,董一鸿. 通信学报. 2015(12)
[8]基于标签权重评分的推荐模型及算法研究[J]. 孔欣欣,苏本昌,王宏志,高宏,李建中. 计算机学报. 2017(06)
[9]社会化推荐系统研究[J]. 孟祥武,刘树栋,张玉洁,胡勋. 软件学报. 2015(06)
[10]面向数据发布和分析的差分隐私保护[J]. 张啸剑,孟小峰. 计算机学报. 2014(04)
博士论文
[1]协同过滤推荐系统关键问题研究[D]. 孔维梁.华中师范大学 2013
硕士论文
[1]社交网络推荐系统的隐私保护研究[D]. 李艺.上海师范大学 2016
[2]基于内容和协同过滤的混合算法在推荐系统中的应用研究[D]. 何佳知.东华大学 2016
[3]基于混合推荐的个性化信息服务系统的研究与应用[D]. 姚志霞.北京交通大学 2012
[4]基于用户兴趣聚类的协同过滤推荐技术的研究[D]. 靳立忠.东北大学 2008
本文编号：3432199
【文章来源】：江西理工大学江西省
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
本章算法与TOCF的MAE比较
图 3.2 不同评分相似度权重的 MAE4 隐私保护对推荐结果的影响意在考察差分隐私对推荐算法的影响。因此本章提出的隐私保护出的 DPSS++和文献[38]提出的 PSGD 及 PALS 算法进行对比。观算法 MAE 的变化情况。3.3 中可以看到推荐算法的 MAE 值随着隐私预算 ε 的增加而降低特性，隐私预算越小加入的噪声越多，隐私保护级别也就更高，地降低。其中 PSGD 与 PALS 算法的 MAE 值最高，变化趋势也两种方法都只考虑了评分信息，并且这两种算法求解最优值的核算法的曲线最为相似。++与本章算法 DPMFBT 在评分信息的基础上考虑了隐式反馈和度，因此拥有比 PSGD 和 PALS 更低的 MAE 值。同时，可以看时候，PSGD 与 PALSMAE 值得变化幅度最大，可断定这两种方私预算的取值，过小的隐私预算会大大破坏数据的可用性。在本章算法 DPMFBT 则要好的多，同时没有严重偏离非隐私保护的
图 3.3 不同差分隐私参数下的 MAE图 3.4 参数 β 对 MAE 的影响5 相似度惩罚参数 β 对推荐结果的影响考察参数 β 的变化对本章算法推荐精度的影响，并比较隐私保护
【参考文献】：
期刊论文
[1]基于差分隐私和SVD++的协同过滤算法[J]. 鲜征征,李启良,黄晓宇,吕威,陆寄远. 控制与决策. 2019(01)
[2]基于标签优化的协同过滤推荐算法[J]. 张景龙,黄梦醒,张雨,吴庆州. 计算机应用研究. 2018(10)
[3]融合社交信息的矩阵分解推荐方法研究综述[J]. 刘华锋,景丽萍,于剑. 软件学报. 2018(02)
[4]一种带隐私保护的基于标签的推荐算法研究[J]. 曹春萍,徐帮兵. 计算机科学. 2017(08)
[5]基于差分隐私的社交推荐方法[J]. 彭慧丽,张啸剑,金凯忠. 计算机科学. 2017(S1)
[6]融合社交网络信息的协同过滤推荐算法[J]. 郭兰杰,梁吉业,赵兴旺. 模式识别与人工智能. 2016(03)
[7]差分隐私保护参数ε的选取研究[J]. 何贤芒,王晓阳,陈华辉,董一鸿. 通信学报. 2015(12)
[8]基于标签权重评分的推荐模型及算法研究[J]. 孔欣欣,苏本昌,王宏志,高宏,李建中. 计算机学报. 2017(06)
[9]社会化推荐系统研究[J]. 孟祥武,刘树栋,张玉洁,胡勋. 软件学报. 2015(06)
[10]面向数据发布和分析的差分隐私保护[J]. 张啸剑,孟小峰. 计算机学报. 2014(04)
博士论文
[1]协同过滤推荐系统关键问题研究[D]. 孔维梁.华中师范大学 2013
硕士论文
[1]社交网络推荐系统的隐私保护研究[D]. 李艺.上海师范大学 2016
[2]基于内容和协同过滤的混合算法在推荐系统中的应用研究[D]. 何佳知.东华大学 2016
[3]基于混合推荐的个性化信息服务系统的研究与应用[D]. 姚志霞.北京交通大学 2012
[4]基于用户兴趣聚类的协同过滤推荐技术的研究[D]. 靳立忠.东北大学 2008
本文编号：3432199
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3432199.html
