[发明专利]一种基于矩阵分解的隐私保护内容推荐方法

说明书

本发明公开了一种基于矩阵分解的隐私保护内容推荐方法，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；(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。本发明中用户历史记录隐私得以保护，内容推荐结果准确，用户端和服务器端的数据传输量较小。

技术领域

本发明涉及信息隐私与安全技术领域，尤其是一种基于矩阵分解的隐私保护内容推荐方法。

背景技术

近年来，随着互联网技术的快速发展，网络空间中的信息量呈指数级增长，从而导致互联网用户从海量数据中获取有用的数据变得越来越难。个性化推荐技术根据用户的历史数据，从海量数据中筛选与用户相关的数据并推荐给用户，已成为网络应用的一个基本功能。

现有个性化推荐技术大致可以分为三类：基于内容的方法、基于协同过滤的方法和混合推荐方法。其中，协同过滤方法基于其他用户的兴趣爱好及历史记录向目标用户进行推荐，该方法因推荐结果准确性较高而被用于各种个性化推荐场景。如亚马逊提出了基于物品的协同过滤推荐方法，该方法通过分析用户的行为记录计算物品之间的相似度给用户推荐那些与他们之前喜欢的物品相似的物品。Netflix也采用相似的方法为用户推荐和他们曾经喜欢的电影相似的电影。

协同过滤方法需要用户将自己的历史数据上传给服务器，然而，用户的历史记录包含用户的行为特征、兴趣偏好等敏感信息，因此，协同过滤会导致用户的敏感信息泄露的问题。针对这一问题，Polat等人提出通过在用户端添加随机噪声的方式干扰个人用户隐私信息，然后将干扰后的信息发送给服务器端进行推荐，从而达到在个性化推荐过程中保护用户信息的目的。然而，该方法并没有从理论上证明能够在个性化推荐过程中保证用户的隐私信息。

Dwork等人在2006年首次提出了差分隐私的概念，与传统隐私保护方法的不同之处在于，差分隐私定义了一个极为严格的攻击模型，并对隐私泄露风险给出了严谨、定量化的表示和证明。McSherry等人首先提出将差分隐私用于个性化推荐系统，并提出了一个基于差分隐私的隐私保护推荐框架，该框架主要被用于为用户推荐电影信息。然而，该方法假设了可信的服务器端，并不能对服务器获取用户隐私信息以及中间人攻击等问题进行保护。

Shen等人假设了服务器端是不可信的，并将差分隐私用于对用户端数据添加噪声，然后将干扰后的个人用户信息提供给服务器端用于推荐。在此基础上，Shen等人设计开发了一个基于差分隐私的个性化推荐系统。该方法是基于内容的方法，需要按类别对所有内容进行分类，然后根据用户干扰的历史记录为每个类别进行评分，最终为用户推荐与用户喜好类别相关的内容。然而，该方法只能用于基于内容的推荐方法，无法适用于基于协同过滤的推荐方法。

发明内容

本发明所要解决的技术问题在于，提供一种基于矩阵分解的隐私保护内容推荐方法，用户历史记录隐私得以保护，内容推荐结果准确，用户端和服务器端的数据传输量较小。

为解决上述技术问题，本发明提供一种基于矩阵分解的隐私保护内容推荐方法，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；

(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。