[发明专利]一种基于覆盖算法的差分隐私保护推荐方法

说明书

本发明公开了一种基于覆盖算法的差分隐私保护推荐方法，是依据用户对电影评分的数据集得到评分矩阵；将评分矩阵中用户对每部电影评分依次执行覆盖算法；将两个用户聚在同一簇的总次数进行统计得到用户关系矩阵；对用户关系矩阵的每一行进行合理标准化得到用户行标准矩阵；对用户行标准矩阵添加噪声实施干扰；对于目标用户，从用户行标准矩阵中随机抽取k个不同的用户得到相似用户序列；将相似用户序列中评分较高的电影推荐给目标用户。本发明能有效地保护用户隐私，同时提高电影推荐的准确性。

技术领域

本发明涉及一种应用于推荐系统中的基于覆盖算法的差分隐私保护推荐方法。

背景技术

推荐系统是根据用户的兴趣爱好推荐符合用户兴趣的对象，传统的推荐算法主要有基于模型的协同过滤推荐算法和基于记忆的协同过滤推荐算法。

已有的一些针对电影推荐方法方案。这些方案中主要体现在：

1、基于模型的协同过滤推荐算法中，基于奇异值分解的协同过滤推荐算法，能够处理稀疏性较高的数据集，处理速度较快，但是当有新用户加入的时候，存在冷引导问题；基于隐含概率语义的协同过滤推荐算法，能够处理稀疏性较高的数据集，直接最小化训练集中的均分根误差，提高推荐准确性，但是当有新用户加入的时候，也存在冷引导问题。同时，基于模型的协同过滤推荐模型中，存在着隐私泄露的风险；

2、基于记忆的协同过滤推荐算法中，基于用户的协同过滤算法精确度较高，但是随着用户数量的增多，计算时间就会变得很长。而基于项目的协同过滤算法虽然不用考虑用户间的差别，但是精确度较差。同时，基于项目的协同过滤推荐模型中，存在着隐私泄露的风险。

以上两种类型的推荐算法中，基于用户的协同过滤算法是较为常见的算法，并且该算法有较高的精确度，但是，由于需要计算用户之间的相似度，随着用户数量的增多，使计算用户之间相似度的工作量随之增加，花费的计算时间变得很长。同样，基于用户的协同过滤模型中，也存在着隐私泄露的风险。

发明内容

本发明是为避免上述现有技术存的问题，提供一种基于覆盖算法的差分隐私推荐方法，以期能有效的提高电影推荐的准确性，并减少计算量，同时，为推荐系统提供隐私保护。

本发明为解决技术问题所采用的技术方案是：

本发明一种基于覆盖算法的差分隐私保护推荐方法的特点是按如下步骤进行：

步骤1、预处理：

获取m个用户U对n部电影V评分的数据集，其中，U＝{u₁,u₂,...,u_i,...,u_m}，u_i为第i个用户，i∈[1,m]，V＝{v₁,v₂,...,v_j,...,v_n}，v_j为第j部电影，j∈[1,n]；

将第i个用户u_i对第j部电影v_j的评分记为x_i,j，则m个用户U对n部电影V的评分所组成的评分矩阵记为X_m×n＝{X₁,X₂,...,X_j,...,X_n}，X_j表示所有用户对第j部电影v_j的评分，并有：X_j＝{x_1,j,x_2,j,...,x_i,j,...,x_m,j}；