[发明专利]一种基于异构信息网络嵌入的差分隐私推荐方法

说明书

本发明实现了一套基于异构信息网络嵌入的差分隐私推荐方法，方案通过四个步骤：利用HAN进行网络表示学习，利用HAN的表征和注意力权重结果计算异构注意力敏感度；基于差分隐私定义，使用异构注意力敏感度生成相应的随机噪声，通过异构注意力随机扰动机制生成随机噪声矩阵；构造异构信息嵌入的差分隐私推荐的目标函数进行学习，得到预测评分矩阵；输出所述评分矩阵作为能够保持隐私的预测评分，从而实现针对异构信息网络下推荐系统场景，对原始评分数据进行保护，防止攻击者利用其他渠道获取的异构信息网络数据来提高推理攻击能力，并可以通过观察评分的推荐结果变化，以较高概率猜测或重新学习出原始评分数据。

技术领域

本发明涉及推荐系统以及隐私保护领域，尤其涉及一种基于异构信息网络嵌入的差分隐私推荐方法。

背景技术

异构信息网络(Heterogeneous Information Network)在处理异构网络数据得到了广泛的应用，能够教好的融合异构的网络或图数据，同时在下游任务重拥有较好的性能和表现，被广泛用于朋友、商品等推荐任务中。基于协同过滤方法的推荐系统工作中，异构信息网络拥有能够融合不同类型节点、不同语义关系而吸引了越来越多工作的关注。在真实世界中，推荐系统的应用场景通常包含了广泛、多样并且复杂的网络结构信息，融合多种异构信息的异构信息网络表示方法，能很好将辅助信息(Side Information)作为目标数据的补充加强学习效果。但是相对的对于隐私保护领域，辅助信息的引入导致攻击者的推理能力变得更强。在流行的隐私保护模型中，例如差分隐私，是基于数据是独立同分布的假设的。数据和数据之间相互独立，因此差分隐私在对数据的查询(学习)结果加入随机噪声，使得攻击者不能通过多次观察随机扰动后的结果准确的反推出原始数据。因此异构信息的关联性的引入，使得数据之间不再独立，甚至存在更丰富更多类型的依赖关联。这些丰富的关联信息除了带来更好的推荐效果，但是也会肆无忌惮破坏传统隐私保护的能力。因此需要设计一种新的隐私保护机制，在保证隐私要求的前提下，更好的利用异构关联信息提升推荐效果。

发明内容

本发明主要针对异构信息网络下推荐系统场景，对原始评分数据(用于训练的评分数据)进行保护，防止攻击者利用其他渠道获取的异构信息网络数据来提高推理攻击能力，通过观察评分的推荐结果变化，以较高概率猜测或重新学习出原始评分数据。异构信息网络使用元路径定义的游走规则，对将异构图作为同构图进行游走，引入了大量不同类型节点之的连通性(关联性)。

本发明采用了下列技术方案：

一种基于异构信息网络嵌入的差分隐私推荐方法，包括；

步骤一：利用HAN进行网络表示学习，利用HAN的表征和注意力权重结果计算异构注意力敏感度；

步骤二：基于差分隐私定义，使用异构注意力敏感度生成相应的随机噪声，通过异构注意力随机扰动机制生成随机噪声矩阵；

步骤三：构造异构信息嵌入的差分隐私推荐的目标函数进行学习，得到预测评分矩阵；

步骤四：输出所述评分矩阵作为能够保持隐私的预测评分。

步骤一包括：

输入训练数据集；

基于HAN模型对异构信息网络进行表示学习：在meta-graph中过滤除用户、项目以外其他类型的节点，得到只包含用户和项目节点的meta-path，对于每个所述节点，利用HAN模型得出的嵌入表征和meta-path的注意力权重表示他们的关联关系，获得用户节点表示和项目节点表示；

同时，基于所述注意力权重计算异构注意力敏感度，具体的：使用随机游走的方式得到固定窗口长度的序列，并使用注意力机制学习节点间注意力的节点表征和注意力权重，以及考虑多个元结构之间的最终节点表征和注意力权重，基于上述异构网络学习的结果，利用节点的embedding和meta-path的注意力权重，设计并计算异构注意力敏感度；