差分隐私保护的集成推荐算法研究

发布时间：2023-04-10 00:50

　　随着互联网技术的快速发展,推荐系统已广泛应用于电子商务领域。推荐系统根据用户的历史购买记录,向用户推荐其可能感兴趣的商品,让用户体验到更好地推荐服务,进而促进线上销量提升。然而,推荐服务依赖于用户的历史评分信息,一旦推荐系统受到攻击,很可能导致用户的隐私信息泄露。为了用户的隐私安全,必须要为推荐系统中的用户数据提供隐私保护。传统的隐私保护技术很难抵御背景知识攻击,而近些年出现的差分隐私技术能够很好地解决这个问题。差分隐私技术是通过向用户敏感信息中加入可控的噪声,从而实现对用户隐私的保护。本篇论文主要研究了两种差分隐私保护的集成推荐方案,主要工作如下:(1)设计了一种基于差分隐私保护的集成推荐方案(DP-IR,其中IR表示集成了SDCF算法和MF算法)。DP-IR方案主要由三个步骤实现的,分别是预处理、基于邻域的相似度计算和矩阵分解目标扰动算法。DP-IR方案通过构建平衡系数,集成了矩阵分解算法和基于用户协同过滤算法,能够很好地利用评分矩阵的全局信息和局部信息,同时兼顾了基于协同过滤算法所适应的稠密集和矩阵分解所适应的稀疏集。从理论上证明了DP-IR算法满足?-差分隐私,可以实现项目级别...

【文章页数】：73 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 传统隐私保护
        1.2.2 差分隐私保护
        1.2.3 个性化差分隐私保护
    1.3 本文主要工作
    1.4 章节安排
第二章 基础知识
    2.1 推荐系统
        2.1.1 协同过滤推荐算法
        2.1.2 矩阵分解推荐算法
        2.1.3 评价指标
    2.2 差分隐私相关概念
        2.2.1 差分隐私
        2.2.2 个性化差分隐私
        2.2.3 实现机制
        2.2.4 基本性质
第三章 基于差分隐私的集成推荐方案
    3.1 引言
    3.2 DP-IR方案问题描述
    3.3 方案设计
        3.3.1 预处理
        3.3.2 基于邻域相似度计算
        3.3.3 矩阵分解时目标扰动
    3.4 实验评估
        3.4.1 实验数据集
        3.4.2 评价指标
        3.4.3 实验参数设置
        3.4.4 对比实验结果
    3.5 本章小结
第四章 基于个性化差分隐私的集成推荐方案
    4.1 引言
    4.2 方案问题描述
    4.3 方案设计
        4.3.1 基于个性化差分隐私保护的协同过滤算法
        4.3.2 采样机制
        4.3.3 PDP-IR方案
    4.4 实验分析
        4.4.1 PDP-IR方案实验设置
        4.4.2 隐私级别占比变化对方案预测准确度的影响
        4.4.3 隐私参数变化对方案预测准确度的影响
        4.4.4 不同方案对比实验
    4.5 本章小结
结论
参考文献
攻读硕士学位期间取得的学术成果
致谢



本文编号：3788032