江苏大学学报(自然科学版)

作者：马彪,李千目

单位：1. 南京理工大学 经济管理学院, 江苏 南京 210094; 2. 南京理工大学 计算机科学与工程学院, 江苏 南京 210094

关键词：差分隐私, 协同过滤, 推荐系统, 偏置项优化, 邻域推荐

基金：<p>中央财政高校自主科研项目(30918012204); 江苏省重大研发计划社会发展类项目(BE2017739); 上海航天创新基金资助项目(SAST2018103)</p>

为了减少推荐系统在挖掘用户行为大数据时隐私泄漏事件的发生,将差分隐私保护与协同过滤推荐算法结合,构建了一个差分隐私保护模型.采用一种引入偏置项优化的邻域的协同过滤模型,通过对该推荐模型计算过程中的平均值计算、偏置项计算、邻居选择、相似度计算等多环节设计,给出了一种基于差分隐私保护的邻域推荐算法.将平均值预测(IA)、基本的基于邻域推荐算法 (BasicKNN)、带偏置项的基于邻域推荐算法(BiasedKNN)、隐私保护预处理邻域推荐算法 (PPKNN)进行了试验对比.结果表明,文中提出的差分隐私保护协同过滤算法能够在保证差分隐私保护的前提下取得较好推荐准确度,且在略牺牲隐私保护效果的情况下,可获得更好的推荐效果.

来源：2019年第4期

《江苏大学学报(自然科学版)》期刊编辑部

查看江苏大学学报(自然科学版)杂志2019年第4期