[发明专利]一种基于个性化差分隐私保护的推荐方法

权利要求书

1.一种基于个性化差分隐私保护的推荐方法，其特征在于，包括以下步骤：

S1、数据的采集及划分：将处理好的数据集随机选取80％的历史交互作为训练集，用于训练模型；其余作为测试集，从训练集中随机选取10％的交互作为验证集，用于调整超参数；

S2、PPCF算法的构造：个性化差分隐私的协同过滤算法通过用户的邻域以预测用户评分首先利用Johnson Lindenstrauss变换的随机预处理方法，将原始评分矩阵从高维降为低维，得到降维矩阵G；然后计算用户间的相似度，并使用拉普拉斯噪声扰动相似度的值，并基于扰动的相似度选取k个最近邻域用户；基于这k个邻域用户以预测评分

S3、随机采样：根据用户的隐私偏好级别以决定用户评分随机抽样的概率，对原始评分矩阵的数据进行随机抽样，可以得到随机抽样后的评分矩阵D_RS；

S4、隐私保护的集成推荐算法：将步骤S2阶段得到的基于邻域预测评分和步骤S3阶段得到的评分矩阵D_RS作为输入，先运行不带差分隐私保护的集成推荐算法，可以得到原始的用户因子矩阵P和项目因子矩阵Q，将用户因子矩阵P进行保密存储；然后，将得到的项目因子矩阵Q代入到基于个性化差分隐私的集成推荐算法，获得扰动后的项目因子矩阵

S5、生成推荐：通过用户因子矩阵P和项目因子矩阵得到预测评分矩阵再利用预测评分矩阵向用户推荐若干个项目。

2.如权利要求1所述的基于个性化差分隐私保护的推荐方法，其特征在于，所述步骤S1的数据采集及划分的具体步骤如下：

S101、将下载的Netflix电影数据集进行数据预处理；

S102、将数据按照8:1:1的比例分别划分训练集、测试集和验证集。

3.如权利要求1所述的基于个性化差分隐私保护的推荐方法，其特征在于，所述步骤S2中PPCF算法的构造的具体步骤如下：

S201、数据的预处理：首先是通过对高斯分布N(0，1/m)中的每个原始评分进行采样构造了一个过渡矩阵A，其次是通过将原始矩阵与过渡矩阵相乘得到新评分矩阵，将新评分矩阵的维度降到了d维；

S202、相似度扰动处理：采用拉普拉斯机制噪声对相似度进行扰动，以保护用户的隐私；

S203、隐私参数的选择：由于不同用户对隐私的需求不同，在个性化的隐私保护中，用户会根据自己的隐私需求来设定自己的隐私保护级别，计算任意两个用户之间的相似度时，由于隐私预算是根据用户变化的，所以通常会选择较小的隐私预算值，这样可以同时保证两个用户的隐私，公式如下：

其中ε_p是用户u_i的隐私级别，ε_x是用户u_x的隐私级别；

S204、PPCF算法：个性化差分隐私的协同过滤算法通过用户的邻域以预测用户评分基于扰动的相似度选取k个最近邻域用户来预测评分

4.如权利要求1所述的基于个性化差分隐私保护的推荐方法，其特征在于，所述步骤S3中随机采样的具体步骤如下：

S301、采样机制：通过用户的个人隐私偏好，以一定的概率进行采样，根据用户的隐私偏好级别，决定用户评分随机抽样的概率，然后对原始评分数据进行随机抽样，最后输出采样后的评分矩阵D_RS，并将其中未抽样的评分置为零，抽样概率为π(r_ij)，计算公式如下：

其中t称为个性化隐私参数，其取值范围为min(ε_ij)≤t≤max(ε_ij)，并且t的值是一个可变参数。

5.如权利要求1所述的基于个性化差分隐私保护的推荐方法，其特征在于，所述步骤S4中隐私保护的集成推荐算法的具体步骤如下：

其中p_i表示用户因子矩阵P的第i个列向量，q_j表示项目因子矩阵Q的第j个列向量，μ为调节参数，η为样本噪声矢量，γ为学习率，t为取样阈值。

6.如权利要求1所述的基于个性化差分隐私保护的推荐方法，其特征在于，所述步骤S5中生成推荐的具体步骤如下：

S501、由步骤S4得到用户因子矩阵P和扰动项目因子矩阵利用P和得到预测评分矩阵利用预测评分矩阵向用户提供推荐服务。