[发明专利]一种基于矩阵分解的隐私保护内容推荐方法

权利要求书

1.一种基于矩阵分解的隐私保护内容推荐方法，其特征在于，包括如下步骤：

(1)客户端安全模块为用户历史记录添加差分隐私噪声；用户历史记录和用户对历史记录的评分均为隐私信息，将给定的隐私预算∈分解为用户历史记录隐私预算∈₁和历史记录评分隐私预算∈₂，其中∈＝∈₁+∈₂；在用户历史记录保护方面，设用户i的历史记录列表U_i＝{i₁,i₂,…,i_m}，当用户的历史记录中包含对象j时，i_j＝1，否则i_j＝0；当用户拥有t个对象时，通过执行t次指数机制，每次隐私地选择1个对象，最终报告t个隐私的用户历史记录；

(2)客户端安全模块将隐私的用户历史记录上传至服务器端；

(3)服务器端通过矩阵分解的方式，将所有用户的隐私历史记录分解为“用户-隐式特征”矩阵和“内容-隐式特征”矩阵，并根据要接受推荐的用户的隐私记录构建用于产生推荐的“内容-隐式特征”矩阵，并下发至客户端；

(4)客户端根据用户的真实历史记录和接收的“内容-隐式特征”矩阵，分析候选内容与用户真实记录中内容的相似度，并产生最终的推荐结果。

2.如权利要求1所述的基于矩阵分解的隐私保护内容推荐方法，其特征在于，步骤(3)中，服务器端通过矩阵分解的方式，将所有用户的隐私历史记录分解为“用户-隐式特征”矩阵和“内容-隐式特征”矩阵，并根据要接受推荐的用户的隐私记录构建用于产生推荐的“内容-隐式特征”矩阵，并下发至客户端具体为

其中，I_i(i＝1,2,…,n)指对象i，F_j(j＝1,2,…,k)指通过矩阵分解方法分解出来的第j个隐式特征。

3.如权利要求1所述的基于矩阵分解的隐私保护内容推荐方法，其特征在于，步骤(4)中，客户端根据用户的真实历史记录和接收的“内容-隐式特征”矩阵，分析候选内容与用户真实记录中内容的相似度，并产生最终的推荐结果具体为

Descend_k(sim(U_i,I₁),sim(U_i,I₂),…,sim(U_i,I_n)),

其中，sim(U_i,I_j)指用户对象列表U_i与对象I_j之间的相似度的总和，Descend_k()指将用户列表U_i与对象I_j(j＝1,2,…n)之间的相似度进行降序排序，并输出相似度最高的k个对象作为推荐结果。