[发明专利]一种基于排序分类的个性化推荐中的隐私保护方法

说明书

一种基于排序分类的个性化推荐中的隐私保护方法，该方法提出的ESPRC框架的核心是处理用户数据在提交给第三方推荐服务之前，让用户的隐私得到保障的情况下，可以享受来自第三方服务的高质量推荐；用户数据的混淆处理首先对用户数据进行排序再分类，得到高敏类数据和低敏类数据；再对用户的高敏类数据进行数据保序混淆；最后对用户的低敏类数据进行数据噪声混淆。既保护了用户数据效用又保障了用户隐私安全。

技术领域

本发明涉及一种基于排序分类的个性化推荐中的隐私保护方法。

背景技术

随着互联网技术的快速发展，用户频繁的在各大网络平台上分享自己的活动数据。例如标签、评分、签到等用户数据。正是这些大量的用户数据的发布，促进了个性化推荐服务的发展。所以，许多用户也愿意将自己的活动数据传输给第三方推荐平台来获取更高质量的个性化推荐。在本文中，我们也将用户数据称之为公共数据。但是，往往用户也会将一些数据看作是自己私有的，并不愿意对外开放，例如用户性别、用户疾病、用户收入水平等，这些都可以看作是用户的隐私数据。由于公共数据与隐私数据之间会存在某种关联，所以一些攻击者可以从公共数据中推测出用户的隐私数据，造成用户隐私泄露。所以需在用户公共数据传输给不信任的推荐平台前，保护用户的隐私数据是非常重要的。

Sweeney,L.较早的提出了一个名为k-anonymity的正式保护模型，以及一组用于部署的随附策略，将其中每个人的信息与至少k-1个人的区分开，为真实系统提供隐私保护保证的基础。随着信息技术的发展，必须使用更复杂的模型来保护个人数据与隐私数据的关联。所以，Wong,R,C,W.提出了一个-匿名模型来保护标识和与隐私数据的关系，采用一种本地编码算法，保护用户隐私。由于这些技术是针对某些特定的隐私数据，所以不具有通用性，而且匿名后的数据会很大程度上不能用于数据分析，失去数据效用。

Ahuja,R.提出了针对共处一地而定制的三种隐私机制，并在用户隐私和数据实用性方面提供了各种折衷方案，其中他们使用的欧氏距离（Euclidean distance）是一种常用的数据失真约束度量方式。Janowicz,K.则使用另外一种常用的度量方式JS距离（Jensen-Shannon distance）重点研究了一种称为语义签名的技术，以提取和共享有关地点的高维数据，保证数据分析的合理性。Gao,C.在Euclidean distance的基础上提出了一个新的度量方式称为语义欧式距离（SemanticEuclidean distance）并以此提出一个名为“隐私保护跨域位置推荐”的框架，先采用基于差异隐私的保护机制来隐藏每个用户的真实位置，并实现交互数据共享，然后开发了一种新的信心感知集体矩阵分解（CCMF）方法以有效利用交互数据。然后，Preethi,P.为了在隐私和数据实用程序之间保持平衡，引入了使用异构数据失真的隐私保护数据群集（PPDC）。在上述这些研究方法中，这些距离的度量是衡量用户真实数据与混淆数据之间差异，对于基于排名的推荐，并不能很好的约束数据失真。

Yang D在处理个性化推荐中的用户隐私保护问题上，就提出了一个可定制的隐私数据保护框架PrivRank，针对基于排名的个性化推荐，对用户所有的数据进行混淆并控制数据的排序损失。该框架运用的保序方法，在进行隐私保护后，可能会把用户最需要的第1名排到了后面，而把用户几乎不需要的排到了前面，显然，该框架不考虑用户偏好，将所有推荐不按排名进行隐私保护的方式存在两个问题：(1)也许推荐给用户的其实并不是用户真实最需要的；(2)为了使得排名损失控制在一定的范围内，也许隐私保护的强度不够，还是会产生一定的信息泄露风险。与此框架方法不同，我们对用户数据先排序分类，再对用户不同的数据分开处理。既保障了用户的隐私又提高了用户推荐的准确性。

发明内容

本发明其目的就在于提供一种基于排序分类的个性化推荐中的隐私保护方法，解决了现有技术存在用户整体的隐私保护性能不足、且推荐的准确性以及推荐效率低的问题。

为实现上述目的而采取的技术方案是，一种基于排序分类的个性化推荐中的隐私保护方法，该方法包括以下步骤：