满足差分隐私保护的矩阵分解推荐算法

协同过滤推荐算法在工作过程中需要分析和使用大量的用户数据,存在个人隐私泄露的安全隐患。现有的大多数在推荐系统中实施隐私保护的方法,容易引入过大噪声,导致推荐质量下降。针对此问题,该文提出一种满足差分隐私保护的矩阵分解推荐算法。该算法首先将矩阵分解问题转化为两个交替进行的用户隐因子和项目隐因子优化问题,然后采用遗传算法对这两个优化问题进行求解。将增强指数机制融入到遗传算法的个体选择中,并基于寻找重要隐因子的思想设计了遗传算法的变异过程。理论分析和实验结果显示,该算法可以为用户数据提供良好的差分隐私保护,同时有效保证了推荐的准确性,在推荐系统中具有良好的应用价值。     

基于BC聚类的差分隐私保护推荐算法

为提高差分隐私保护下推荐算法的准确性,提出了一种考虑差分隐私保护的基于Bhattacharyya系数（BC）的聚类推荐算法.以BC作为项目相似性度量的标准,根据BC相似性对项目进行K-medoids聚类,并在聚类簇中进行私有项目邻居选择.最后,根据最近邻居集信息,对用户的评分进行预测和Top-n推荐.提出的方案有效地克服了已有方法中存在的相似性度量依赖于共同评分的问题,提高了相似性度量的准确性,有效避免了因隐私保护而造成的最近邻居集质量下降的问题.理论分析和实验测试的结果表明,该方法在实现隐私保护的同时还能有效保证推荐的高质量,较好地实现了隐私保护和数据效用之间的平衡,具有良好的应用潜力.     

满足差分隐私的逻辑回归矩阵分解推荐算法

为了提高隐私保护下的推荐算法准确性，提出了一种满足差分隐私保护的逻辑回归矩阵分解推荐算法。该算法首先将隐式数据的矩阵分解转换为分类问题并以概率方式对其建模；然后采用sigmoid函数对预测评分进行非线性变换，将原始的矩阵分解问题转换成用户隐因子和项目隐因子的优化问题，并对目标函数添加随机噪音进行扰动，使算法满足差分隐私保护。在Movielens100K,Movielens1M和YahooMusic数据集上进行实验，并与现有算法进行对比，该算法在F1值指标上分别提升了9.29%,7.40%和3.61%。理论分析和实验结果表明，所提算法在实现用户隐式反馈数据保护的同时还能有效地保证推荐结果的准确性，具有良好的应用价值。     

基于安全多方计算的系统间隐私保持推荐算法

针对协同过滤推荐过程中的隐私泄露问题,以RSA公钥密码系统和安全多方计算理论为基础,提出一个安全计算模型,并将此模型应用到跨系统协同过滤中,并提出一个基于安全计算模型的跨系统隐私保持协同过滤推荐算法.该算法可有效防止不可信第三方和系统间恶意串通.实验表明,与传统的单系统协同过滤推荐算法相比,该算法不但可以保护用户对项目的评分,并且提高了协同过滤推荐算法的精度.     

基于用户兴趣的个性化推荐算法研究

针对协同过滤算法存在用户兴趣不易捕捉的问题,提出了一种基于用户兴趣偏移和项目自身属性特征的个性化推荐算法。利用滑动时间窗内项目属性和用户评分建立出用户兴趣偏爱因子,通过推荐项目自身属性特征给出用户对项目的偏爱度;最后结合项目偏爱度和协同过滤算法中预测评分产生推荐。实验结果表明,该算法准确反映出用户兴趣的偏移和项目自身属性特征,在推荐质量上也得到提高。     

利用项目属性和偏好改进协同过滤推荐

协同过滤(CF)推荐系统可以通过了解用户过去的行为向用户推荐项目. 针对现有的CF推荐系统没有利用潜在的项目偏好信息,提出了一种利用项目偏好改进CF的推荐方法. 该方法首先采用K-means算法对用户进行聚类,然后利用用户聚类和效用矩阵构建项目偏好矩阵,最后在基于项目的CF方法中,综合项目评分相似度、项目属性及其偏好特征相似度产生推荐. 实验结果表明,该方法获得了较好的推荐精度,在一定程度上缓解了稀疏问题.     

DPLORE：一种差分隐私保护位置推荐算法

人类移动中的顺序模式在地理社交网络服务的位置推荐中扮演了重要角色。现有的位置推荐系统必须访问用户的原始签到位置数据, 以挖掘其顺序模式, 然而这会泄露用户的位置隐私。针对该问题, 提出一种基于差分隐私保护的位置推荐算法(Differential Privacy Location Recommendation, DPLORE)。首先, 根据原始数据构建转移计数矩阵, 利用拉普拉斯机制向分解后的矩阵元素添加噪声, 使得算法满足差分隐私保护。接着, 在多阶马尔可夫链模型的基础上, 提出自适应权重的n-阶马尔可夫链模型, 利用用户的顺序模式来进行位置推荐。最后的实验表明, 本文设计的算法框架DPLORE的推荐结果准确率和召回率都优于现有的算法, 同时DPLORE在高推荐精度和严格的位置隐私保护之间达成良好的权衡。     

基于属性基隐私信息检索的位置隐私保护方法

针对基于位置服务隐私保护中以索引为主的隐私信息检索策略在处理时间和用户属性保护方面的不足,提出了一种属性基隐私信息检索的位置隐私保护方法。该方法基于属性基加密算法结合位置服务的本质特征,通过用户与位置服务器之间的两方秘密计算,完成了零信息泄露的位置服务查询与反馈。最后,给出了形式化的安全性分析和性能评估,从理论上证明了所提出方法的有效性与可用性。同时,通过与同类算法在隐私保护能力和算法效率方面比较实验,进一步验证了所提出的方法的优越性。     

能保护隐私且属性可扩展的云数据共享

提出一种具有隐私保护且属性可扩展的云数据共享方案。采用混合加密体制实现数据的机密性并保护用户的属性隐私,其中文件的加密采用标准的对称加密算法,对称密钥的加密采用密文策略下基于属性的加密算法。在匿名文件创建过程中,基于哈希函数对一个随机参数和文件进行绑定,实现系统的属性扩展。安全性分析表明,新方案具有语义安全性,可抵抗恶意用户和云服务器的合谋攻击,能在保护用户属性隐私的同时实现系统的属性扩展。     

基于用户聚类的二分图网络协同推荐算法

针对协同过滤推荐系统应用中存在的数据稀疏、可扩展性受限等问题,提出了一种基于用户聚类的二分图网络协同推荐算法.该算法在用户聚类阶段对二分图网络进行用户中心聚类,并获取用户聚类中心及其所在的群组,基于用户群组的评价信息为目标用户提供更广泛的推荐数据;在协同推荐阶段,围绕聚类中心及其所在群组为未评分项目完成预测评分,为用户推荐综合评分最高的Top-n项目.结果表明,该算法能够提升目标用户推荐的准确度,并能改善协同推荐的多样性.     

基于社会信任正则化的排名推荐算法

随着在线商品交易额逐年增大和社交网络不断深入发展,推荐系统已成为解决信息过载的重要工具之一。当评分矩阵数据稀疏性较大时推荐精度就会显著下降,特别是用户冷启动的时候这个问题更加明显。因此,本文提出一种新的基于隐式反馈信息的社会化排序推荐算法。该算法首先利用矩阵分解方法计算不同项目间的用户偏好。其次将用户偏好信息融入Bayesian Personalized Ranking (BPR)算法中。然后挖掘用户之间相似关系以及信任用户直接和间接关系,并量化它们之间的信任关系,从而研究不同项目之间用户偏好差异。最后将以上这些信任关系和BPR算法进行融合,进而构建出社会化排序推荐模型。为了验证所提出的社会化排序推荐算法,在DouBan数据集和FilmTrust数据集上,进行该算法的有效性验证。主要通过Precision、MAP和NGCD这三种排序评估指标分别在全数据集和用户冷启动中验证本文所提算法与SBPR、TBPR、BPRMF和MostPopular等算法之间排序推荐的优劣性。实验结果证明本文所提算法明显优于其他排序推荐算法,并可以获得更好的推荐准确率。可见该算法可以有效改善由于数据稀疏性和用户冷启动所带来推荐效果差的问题。     

面向路网限制的位置隐私保护算法

目前关于位置服务中的位置隐私保护研究大多是面向欧式空间,其相关模型及算法无法直接用于解决路网环境下位置服务中可能存在的隐私泄露问题。本研究针对公路网络下用户分布不均可能导致的推断攻击,设计出一种面向路网限制的位置隐私保护算法。本算法通过对公路网络的边权进行排序,并结合路段地理位置分布,进行隐匿边集的构造,以达到降低边权不均引起推断攻击的风险。通过实验对本算法的可行性及有效性与同类算法进行了比较分析。实验结果表明,本算法是有效可行的。     

具有隐私保护的车联网空间众包任务分配方法

为了解决传统车联网空间众包中集中式空间众包服务器不可信和易遭受攻击给用户隐私带来极大威胁的问题,提出区块链架构下具有隐私保护的车联网空间众包任务分配方法. 基于区块链技术,设计分布式可信的车联网空间众包系统. 采用多密钥全同态加密算法实现任务分配,支持对不同车辆用户 (密钥) 的密文数据进行任务分配,降低隐私泄露的可能性. 实验分析表明,采用该方法能够有效地保护用户隐私信息,任务分配的计算时间开销与现有研究方法相比下降了34.3%,提高了任务分配的效率.     

保护用户隐私的访问控制模型

为解决网络环境中用户的隐私信息保护问题,研究了网络环境中隐私信息保护的特点,从用户的角度出发,提出一个基于用户控制的隐私保护访问控制模型,并通过一个具体实例对该模型的应用过程进行说明.与目前存在的其他保护隐私的模型或方法相比,该模型能在不增加用户负担的情况下,达到更好保护用户隐私的目的,同时不影响现有系统中其他安全保护机制的应用.     

融合用户信任和影响力的top-N推荐算法

针对现有基于信任的推荐方法通常直接利用社交网络的二值信任关系来提高推荐质量,较少考虑用户间信任强度的差异和潜在影响的问题,提出结合用户信任和影响力的混合推荐算法进行top-N项目推荐. 采用自动编码器对用户行为进行无监督的初始特征优化,将高维、稀疏的用户行为压缩成低维、稠密的用户及项目特征向量;提出融合用户交互信息、偏好度和信任的新型信任度量模型,发掘社交网络中用户间的隐含信任关系,重构社会信任网络;将社会信任网络的拓扑结构和用户的交互信息融入结构洞算法,通过改进的结构洞算法来识别网络中的影响力用户,提高top-N项目推荐性能. 实验在FilmTrust、Epinions、Ciao这3个标准数据集上进行对比验证,实验结果证明了所提算法的有效性.     

基于用户分层的多目标推荐算法

经典的推荐系统着重于推荐的准确性,随着用户多样化需求的增加,推荐结果的多样性受到越来越多的关注。推荐的精度与多样性存在冲突,传统的推荐算法往往忽略系统中的用户活跃度差异。本文提出一种基于物品评价次数的用户分层多目标推荐算法,将用户分为评价次数高、中、低三种层次,对应三种不同的算法初始化方式,为不同用户提供更合适的推荐结果。对已有基于概率的多目标进化算法的初始化方式和参数进行对比分析,获得更优的算法交叉和变异方式。实验结果验证了改进后的多目标进化算法在推荐精度和多样性方面都有更优的结果。总结出的基于用户分层的推荐方案有助于提高对不同用户的推荐效果。