申请/专利权人：重庆邮电大学

申请日：2022-05-17

公开（公告）日：2024-07-02

公开（公告）号：CN114943041B

主分类号：G06F16/9536

分类号：G06F16/9536;G06F21/62

优先权：

专利状态码：有效-授权

法律状态：2024.07.02#授权;2022.09.13#实质审查的生效;2022.08.26#公开

摘要：本发明涉及一种基于差分隐私的隐式反馈协同过滤推荐方法，属于计算机推荐系统领域和信息安全领域。该方法具体包括：将用户的隐式反馈数据转化成数值为0或1的隐式反馈矩阵；构造目标函数LP,Q，交替最小二乘法求解LP,Q，存储用户隐因子矩阵P；将求得的用户隐因子矩阵P代入目标函数LP,Q，得到关于项目隐因子矩阵Q的目标函数LQ，考虑每一个项目i∈I的目标函数Lqi，将目标函数Lqi展开为多项式，降低目标函数的敏感度，使用少量Laplace噪声对目标函数进行扰动；对所有加噪的目标函数求解，得到加噪的项目隐因子向量聚合所有的得到矩阵本发明具有良好的隐私保护性和模型准确性。

主权项：1.一种基于差分隐私的隐式反馈协同过滤推荐方法，其特征在于，该方法具体包括以下步骤：S1：将用户对项目的隐式反馈数据转化成数值为0或1的隐式反馈矩阵，0表示用户对项目的非正反馈，1表示用户对项目的正反馈；S2：随机初始化矩阵P、Q、P是用户隐因子矩阵，表示矩阵P的第u行，代表第u个用户的隐因子向量；Q是项目隐因子矩阵，表示矩阵Q的第i行，代表第i个项目的隐因子向量；是加噪的项目隐因子矩阵，表示矩阵的第i行，代表第i个项目加噪的隐因子向量；d表示隐因子向量的维度；S3：构建目标函数LP,Q，交替最小二乘法ALS求解并保存矩阵P；具体包括以下步骤：S31：将隐式反馈矩阵分解成两个低维矩阵P、Q，构建目标函数： 其中，u表示第u个用户，i表示第i个项目，u,i表示第u个用户对第i个项目的隐式反馈，S表示正反馈样本集合，表示非正反馈样本集合，是正反馈损失函数，是非正反馈损失函数，α0是非正反馈损失函数的权重，λ表示正则化系数，‖·‖F表示矩阵的F范数，此处α0取值为1；S32：对每一个用户计算用户隐因子向量，第u个用户计算用户隐因子向量pu的计算公式如下： 其中，Iu表示用户u的正反馈项目集合，表示用户u的非正反馈项目集合，表示qi×qiT，表示单位矩阵，根据所有的用户隐因子向量更新矩阵P；S33：对每一个项目计算项目隐因子向量，第i个项目计算项目隐因子向量qi的计算公式如下： 其中，Ui表示项目i的正反馈用户集合，表示项目i的非正反馈用户集合，表示pu×puT，表示单位矩阵，根据所有的项目隐因子向量更新矩阵Q；重复步骤S32、S33对P、Q进行迭代，P、Q满足停止条件时结束迭代并保存矩阵P；S4：将S3中得到的P代入LP,Q，得到关于Q的目标函数LQ，考虑每一个项目i∈I的目标函数Lqi；将Lqi展开为多项式，计算系数的敏感度，从Laplace分布采样噪声，对Lqi做目标扰动，得到加噪的目标函数具体包括以下步骤：S41：将S3中得到的P代入LP,Q，得到关于Q的目标函数LQ，考虑每一个项目i∈I的目标函数Lqi，将Lqi展开为多项式： 其中，Ui表示项目i的正反馈用户集合，表示项目i的非正反馈用户集合，表示pu×puT，α0是非正反馈损失函数的权重，λ表示正则化系数，‖·‖2表示向量的2范数；|Ui|是目标函数Lqi中的常数项，省略|Ui|不影响函数Lqi的求解，目标函数改为：Lqi＝l2qi-l1qi+Rqi其中，S42：分别计算目标函数Lqi中l1qi、l2qi、Rqi的系数敏感度Δ1、Δ2、Δ3，计算公式如下： Δ3＝1-α0其中，Δ2中此处只考虑对称矩阵的上三角元素导致的变化，从而降低l2qi系数的敏感度；接着，非正反馈损失函数将按1-α0的比例抵消正反馈损失函数的变化量，按此比例缩小，进一步降低了l2qi系数的敏感度，限制噪声规模；S43：分别从Laplace分布采样噪声取B′＝triuB+tril-1BT，triuB是B的上三角矩阵，tril-1BT为BT不包含主对角线元素的下三角矩阵，是对称矩阵，那么用对称噪声矩阵B′做目标函数扰动保留了矩阵的对称性，可以增强模型效用，∈＝∈1+∈2+∈3，∈1、∈2、∈3为隐私预算，∈为总体隐私预算；噪声对目标函数Lqi进行扰动，Laplace噪声扰动后的目标函数如下： 其中，S5：对所有加噪的目标函数求解，得到加噪的隐因子向量聚合所有的得到矩阵为了使l2qi系数的敏感度降到最低，同时最大化非正反馈损失函数与正反馈损失函数变化量的抵消程度，将中α0的值取为1；此时有Δ2＝0、Δ3＝0、∈3＝∈，因此l2qi、Rqi的系数不需要扰动，只需扰动l1qi的系数，那么只向目标函数Lqi加入少量的Laplace噪声b就能实现差分隐私；为每一个项目i∈I计算加噪的隐因子向量计算公式如下： 根据所有加噪的项目隐因子向量更新矩阵S6：根据公式进行预测，对S1所述隐式反馈矩阵中非正反馈项目的预测结果进行排序，将TOP-N个项目推荐给用户。

全文数据：

权利要求：

百度查询： 重庆邮电大学 一种基于差分隐私的隐式反馈协同过滤推荐方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD