CN105574430B - 协同过滤推荐系统中一种新型的隐私保护方法 - Google Patents

Abstract

本发明涉及协同过滤推荐系统中一种新型的隐私保护方法。基本思想是将收集的用户评分信息和生成的用户评分集保存在客户端功能模块，利用推荐中心生成的第三方评分集与用户评分集在客户端功能模块进行偏好一致性计算，比较用户与第三方之间的偏好相似性，然后推荐中心根据偏好一致性计算的结果进行用户相似性计算，从而获得相似用户候选集。推荐时，用户通过客户端功能模块发送推荐请求到推荐中心，推荐中心根据推荐请求从相似用户候选集中选取合适的相似用户完成推荐。整个推荐信息的传输使用我们所设计的推荐信息传输协议来进行传输。本发明能够避免不正当的数据收集、存储和分析导致的用户隐私信息的泄露。属于计算机网络安全领域。

Description

协同过滤推荐系统中一种新型的隐私保护方法

技术领域

本发明涉及协同过滤推荐系统中，保护用户隐私信息的方法。基本思想是：将收集到的用户评分信息和生成的用户评分集保存在客户端功能模块，利用推荐中心生成的第三方评分集与用户评分集在客户端功能模块进行偏好一致性计算，比较用户与第三方之间的偏好相似性，然后推荐中心根据偏好一致性计算的结果来比较不同用户之间的偏好相似性，并进行用户相似性计算，从而获得相似用户候选集。推荐时，用户通过客户端功能模块发送推荐请求到推荐中心，推荐中心根据用户的推荐请求从相似用户候选集中选取合适的相似用户完成推荐。整个推荐信息的传输使用我们所设计的推荐信息传输协议(Recommendation Information Transportation Protocol)简称RITP来对推荐信息进行传输。该隐私保护方法将收集到的用户评分信息和生成的用户评分集保存在客户端，避免了由于代理服务器不正当的数据收集、存储和分析，导致的用户隐私信息的泄露；同时使用RITP协议来对推荐信息进行传输，防止了推荐内容信息本身泄露用户的隐私。属于计算机网络安全领域。

背景技术

在信息大爆炸的时代，推荐系统的发展和广泛应用满足了用户获取个性化信息的需求。个性化推荐系统能较好地帮助用户获得个人所需的信息，但是在好的推荐效果背后，系统需要收集大量的个人信息，这些信息如果不能被很好地保护，可能会导致用户个人隐私的泄露。隐私信息包含用户的敏感信息，一旦泄露就会给用户造成名誉损失、经济损失和精神伤害，并引起用户对个性化推荐系统的反感和不信任。为了解决互联网上用户信息的保密问题，万维网联盟W3C设计制定了P3P标准。虽然大部分网站都宣称支持P3P标准，但该标准不提供保证服务器在内部数据处理中使用相同隐私条款的机制，因此用户不能认为这些隐私数据在提交后会被很好地保护。

现有的针对协同过滤推荐系统的隐私保护方法，是通过一些技术手段或者隐私策略来对用户隐私信息进行保护的，例如通过设置代理来收集用户的信息，或是采用伪装的方法保护用户真实数据，以及利用匿名技术来隐藏用户的真实身份等。这些方法或是技术手段都能够在推荐系统完成推荐的某些阶段上保护用户的隐私，但是它们都存在各自的缺陷：第一，推荐系统设置代理，用户信息的收集、相似度计算以及推荐服务都是在代理端实现。由于代理服务器中存储着用户大量的个人信息，如果处理不当，会导致个人隐私信息的泄露。第二，采用模糊化处理的方法来伪装用户真实数据需要在隐私保护和推荐准确度之间进行权衡。模 糊程度越强隐私保护效果越好，但是牺牲了推荐准确度；当模糊程度不够强时却可以通过一些构造方法得到用户的真实数据。第三，匿名技术通过隐藏用户的真实身份来保护用户的隐私，但是在注册推荐系统时通常要用到用户的电子邮箱，用户依然需要提供自己的真实身份。综上所述，现有的隐私保护方法在一定程度上保护了用户隐私信息的安全，但仍然不能满足现阶段隐私保护的要求，因此迫切需要提出新的解决方法。

发明内容

本发明的目的是提供一种保护用户隐私信息的方法，解决协同过滤推荐系统中用户隐私信息泄露导致用户遭受侵扰的问题。利用本发明的方法可以防止用户在使用协同过滤推荐系统时因隐私数据的传输和存储以及相似度计算而导致的个人隐私信息的泄露，使得用户在互联网上的个人信息得到更好的保护。

该方法将收集到的用户评分信息和生成的用户评分集保存在客户端功能模块，利用推荐中心生成的第三方评分集与用户评分集在客户端功能模块进行偏好一致性计算，比较用户与第三方之间的偏好相似性，然后推荐中心根据偏好一致性计算的结果来比较不同用户之间的偏好相似性，并进行用户相似性计算，从而获得相似用户候选集。推荐时，用户通过客户端功能模块发送推荐请求到推荐中心，推荐中心根据用户的推荐请求从相似用户候选集中选取合适的相似用户完成推荐。整个推荐信息的传输使用我们所设计的推荐信息传输协议(Recommendation Information Transportation Protocol)简称RITP来对推荐信息进行传输。协议的基本内容是：假设用户a发送推荐请求到推荐中心，推荐中心从相似用户候选集中选取合适的相似用户b向a推荐其感兴趣的内容。为了隐藏推荐信息的内容，协议规定相似用户b将推荐信息用a的公钥加密后发送到推荐中心，然后推荐中心再将加密的推荐信息发送到a。最后a通过自身的私钥将推荐信息进行解密。该方法将收集到的用户评分信息和生成的用户评分集保存在客户端，避免了由于代理服务器不正当的数据收集、存储和分析，导致的用户隐私信息的泄露；同时使用RITP协议来对推荐信息进行传输，防止了推荐内容信息本身泄露用户的隐私。

为实现上述目的，本发明采取以下技术方案：

本发明具体实施时包括功能模块部署阶段；用户发送推荐请求阶段；第三方评分集R生成阶段；用户与第三方偏好一致性计算阶段；相似用户筛选阶段和推荐结果反馈阶段。如图1所示。首先在协同过滤推荐系统中部署若干个客户端功能模块和1个推荐中心，其中每个用户端都部署1个客户端功能模块。客户端功能模块包括用户信息收集子模块、用户建模子模块、用户与第三方偏好一致性计算子模块；推荐中心包括第三方评分集R生成子模块、用 户偏好相似性计算子模块。如图2所示。假设用户a通过客户端功能模块发送推荐请求给推荐中心，推荐中心收到推荐请求后启动第三方评分集R生成子模块，生成一个第三方评分集R。该集合规模为推荐系统内所有物品的总数目，R包含第三方推荐中心对这些物品的偏好评分。推荐中心将第三方评分集R发送到a的用户与第三方偏好一致性计算子模块中。此时进入用户与第三方偏好一致性计算阶段。在该阶段中，a的客户端功能模块通过用户信息收集子模块收集用户对推荐系统内物品的评分，然后用户建模子模块将收集到的评分建立成用户模型，模型中分别保存用户a的评分集和用户a的偏好集，其中用户偏好集是根据评分集获得的对某一类物品排序的结果。用户建模子模块将用户模型数据输入进用户与第三方偏好一致性计算子模块。该模块将用户模型数据和推荐中心发送过来的第三方评分集进行偏好一致性计算，输出得到用户与第三方之间的评分趋势值。该趋势值体现了用户与第三方之间的偏好相似性。a的客户端功能模块将用户a与第三方之间的的评分趋势值发送到推荐中心进行汇聚，进入相似用户筛选阶段。在该阶段中，推荐中心通过用户偏好相似性计算子模块将协同过滤推荐系统中其他用户与第三方之间的评分趋势值同a与第三方之间的评分趋势值进行比较获得a的相似用户候选集。最后进入推荐结果反馈阶段，推荐中心从相似用户候选集中选取合适的相似用户向a推荐其感兴趣的内容。整个推荐信息的传输使用我们所设计的RITP协议来对推荐信息进行传输。协议规定相似用户将推荐信息用a的公钥加密后发送到推荐中心，然后推荐中心再将加密的推荐信息发送到a。最后a通过自身的私钥将推荐信息进行解密。

本发明提出的协同过滤推荐系统中的新型隐私保护方法与现有技术相比，具有以下优势和技术效果：

本方法将收集到的用户评分信息和生成的用户评分集保存在客户端功能模块，通过比较多个用户与第三方评分集的评分趋势来确定用户之间的相似度，不需要推荐代理服务器直接收集用户评分信息，保存用户评分集，避免了由于代理服务器不正当的数据收集、存储和分析，导致的用户隐私信息的泄露。

本方法在推荐结果反馈阶段通过推荐中心来选择相似用户，发送推荐请求的用户和相似用户之间并没有直接交互，隐藏了相似用户的真实身份，避免了发送推荐请求的用户在收到推荐信息后由于不正当的数据分析，导致的相似用户隐私的泄露。

本方法使用我们所设计的RITP协议来对推荐信息进行传输，只有用户通过自身的私钥才能将数据解密，有效避免了由于第三方篡改所造成的误导推荐以及不正当的数据分析，同时防止推荐信息本身泄露相似用户的隐私。

本发明提出的协同过滤推荐系统中的新型隐私保护方法，能够在整个推荐过程中充分、 全面的保护用户的隐私数据，并且保证推荐结果的准确性。该方法旨在给出一种应用于协同过滤推荐系统中的隐私保护方法，最终解决现有的协同过滤推荐方法在实现个性化推荐过程中隐私保护策略存在缺陷的问题。

附图说明

图1具体实施过程的关键阶段

图2具体实施过程的功能模块

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面结合附图和实施例对本发明作进一步的详细描述：

具体实施过程如图1，具有以下特征：

整个协同过滤推荐系统包括客户端功能模块；推荐中心；用户；推荐信息数据；第三方评分集；用户评分集；用户偏好集；相似用户侯选集。

本发明具体实施时包括功能模块部署阶段；用户发送推荐请求阶段；第三方评分集R生成阶段；用户与第三方偏好一致性计算阶段；相似用户筛选阶段；推荐结果反馈阶段。

功能模块部署阶段：

首先在协同过滤推荐系统中部署若干个客户端功能模块和1个推荐中心，其中每个用户都需要在用户端部署1个客户端功能模块。

用户发送推荐请求阶段：

用户a通过客户端功能模块向推荐中心发送推荐请求。

第三方评分集R生成阶段：

推荐中心收到推荐请求后启动第三方评分集R生成子模块，生成一个第三方评分集R。R包含第三方推荐中心对推荐系统中所有物品的偏好评分，推荐中心将第三方评分集R发送到a的用户与第三方偏好一致性计算子模块中。第三方评分集R产生规则如下：

1.R中的评分值r采用均匀取自评分限制范围内的随机数

2.R的规模为N，且N的值为推荐系统内所有物品的总数目

3.每项评分值r都与R的平均值不同。

用户与第三方偏好一致性计算阶段：

在该阶段中，用户a的客户端功能模块通过用户信息收集子模块收集用户对推荐系统内 物品的评分，然后用户建模子模块将收集到的评分建立成用户模型，模型中分别保存着用户评分集U和用户偏好集P，其中用户偏好集P是根据评分集U获得的对某一类物品排序的结果。

用户建模子模块将用户模型数据输入进用户与第三方偏好一致性计算子模块。该模块利用用户评分集U和推荐中心发送过来的第三方评分集R，比较用户与第三方之间的评分趋势是否一致来确定用户与第三方之间的偏好相似性。

评分趋势一致的定义为：

f_a，i＞0andf_c，i＞0，or

f_a，i＜0andf_c，i＜0

评分趋势不一致的定义为：

f_a，i＞0andf_c，i＜0，0r

f_a，i＜0andf_c，i＞0

评分趋势纠结的定义为：

r_a，i不存在，即用户a对物品i没有评分

f_a，i表示用户a对物品i的评分趋势，f_c，i表示第三方推荐中心对物品i的评分趋势，r_a，i表示用户a对物品i的评分值。根据以上定义，用户与第三方偏好一致性计算子模块计算出用户与第三方评分趋势值为C_ac，D_ac和T_ac。其中C_ac表示评分趋势一致的物品数，D_ac表示评分趋势不一致的物品数，T_ac表示评分趋势纠结的物品数T_ac。该趋势值体现了用户与第三方之间的偏好相似性。

相似用户筛选阶段：

用户a的用户与第三方偏好一致性计算子模块将用户a与第三方之间的评分趋势值C_ac，D_ac和T_ac发送到推荐中心进行汇聚。推荐中心通过用户偏好相似性计算子模块将协同过滤推荐系统中的其他用户与第三方之间的评分趋势值同用户a与第三方之间的评分趋势值进行比较、计算，得到用户之间的相似度，从而获得a的相似用户候选集。

用户a和用户b之间的相似度计算公式如下：

其中，表示用户a和用户b评分趋势一致的物品数区间C_ab的中点值，表示用户a和用户b评分趋势不一致的物品数区间D_ab的中点值，表示用户a和用户b评分趋势纠结的物品数区间T_ab中点值。考虑到的值与的值可能相等，那么用户之间的相似度为0，会导致推荐系统覆盖率大大降低。为了避免这种情况出现，保证较高的覆盖率，需要降低的权重。则改进后的用户之间相似度计算公式为：

根据以上方法，推荐中心可以获得用户a的相似用户侯选集。

推荐结果反馈阶段：

在得到用户a的相似用户侯选集后，推荐中心从相似用户侯选集中选取合适的相似用户向a推荐感兴趣的内容。为了隐藏推荐信息的内容，我们使用RITP协议来对推荐信息进行传输：假设选取相似用户b向用户a推荐感兴趣的内容，用户b首先将推荐列表L_b使用用户a的公钥进行加密，然后发送给推荐中心。推荐中心将加密的推荐列表G_b发送给用户a；用户a利用自身私钥将加密的推荐列表G_b进行解密，得到真实的推荐列表L_b。

RITP协议的符号对照表如下

协议如下：

1.L_b→G_b：相似用户b生成推荐列表L_b后，使用用户a的公钥PKey_a将推荐列表加密，得到加密的推荐列表G_b。加密的消息为：

2.G_b→L_b：用户a收到加密的推荐列表G_b后，根据自身私钥SKey_a将其解密，得到推荐列表L_b。解密的消息为：

值得注意的是，加密的推荐列表G_b本身并不包含相似用户b的身份特征。并且，根据我们所设计的RITP协议，加密的推荐列表G_b将推用户a的公钥作为推荐标识信息，便于推荐中心识别推荐信息，将其发送给用户a。

最后应说明的是：以上实施例仅用以说明本发明而并非限制本发明所描述的技术方案；因此，尽管本说明书参照上述的各个实施例对本发明已进行了详细的说明，但是，本领域的普通技术人员应当理解，仍然可以对本发明进行修改或等同替换；而一切不脱离发明的精神和范围的技术方案及其改进，其均应涵盖在本发明的权利要求范围当中。

Claims (4)

1.协同过滤推荐系统中一种新型的隐私保护方法，要求在协同过滤推荐系统中部署若干个客户端功能模块和1个推荐中心，用户必须通过推荐中心发送推荐请求，推荐中心根据用户相似性计算结果，获得相似用户候选集，推荐中心根据用户的推荐请求从相似用户候选集中选取合适的相似用户完成推荐，其特征在于包括以下步骤：

功能模块部署阶段：

在协同过滤推荐系统中部署若干个客户端功能模块和1个推荐中心，其中每个用户都需要在用户端部署1个客户端功能模块；

用户发送推荐请求阶段：

用户a通过客户端功能模块向推荐中心发送推荐请求；

第三方评分集R生成阶段：

推荐中心收到推荐请求后启动第三方评分集R生成子模块，生成一个第三方的评分集R；

用户与第三方偏好一致性计算阶段：

用户a的客户端功能模块通过用户信息收集子模块收集用户对推荐系统内物品的评分，然后用户建模子模块将收集到的评分建立成用户模型，模型中分别保存着用户评分集U和用户偏好集P，其中用户偏好集P是根据评分集U获得的对某一类物品排序的结果，用户建模子模块将用户模型数据输入进用户与第三方偏好一致性计算子模块，用户与第三方偏好一致性计算子模块利用用户评分集U和推荐中心发送过来的第三方评分集R，计算出用户与第三方推荐中心之间的偏好相似性；

相似用户筛选阶段：

用户a的用户与第三方偏好一致性计算子模块将用户a与第三方之间的评分趋势值C_ac，D_ac和T_ac发送到推荐中心进行汇聚，其中C_ac表示评分趋势一致的物品数，D_ac表示评分趋势不一致的物品数，T_ac表示评分趋势纠结的物品数，推荐中心通过用户偏好相似性计算子模块计算用户相似度，并获得相似用户候选集；

推荐结果反馈阶段：

在得到用户a的相似用户侯选集后，推荐中心从相似用户侯选集中选取合适的相似用户向a推荐感兴趣的内容，为了隐藏推荐信息的内容，我们使用RITP协议来对推荐信息进行传输；所述协议是：假设选取相似用户b为用户a推荐感兴趣的内容，用户b首先将推荐列表L_b使用用户a的公钥进行加密，然后发送给推荐中心，推荐中心将加密的推荐列表G_b发送给用户a，用户a利用自身私钥将加密的推荐列表G_b进行解密，得到真实的推荐列表L_b。

2.根据权利要求1所述的协同过滤推荐系统中一种新型的隐私保护方法，其特征在于：第三方评分集是由推荐中心的第三方评分集生成子模块根据规则生成的，其生成规则如下：

1)R中的评分值r采用均匀取自评分限制范围内的随机数；

2)R的规模为N，且N的值为推荐系统内所有物品的总数目；

3)每项评分值r都与R的平均值不同。

3.根据权利要求1所述的协同过滤推荐系统中一种新型的隐私保护方法，其特征在于：客户端功能模块中的用户与第三方偏好一致性计算子模块是通过比较用户与第三方之间的评分趋势是否一致来确定用户与第三方之间的偏好相似性。

4.根据权利要求1所述的协同过滤推荐系统中一种新型的隐私保护方法，其特征在于：推荐中心是通过用户偏好相似性计算子模块将协同过滤推荐系统中的其他用户与第三方之间的评分趋势值同用户a与第三方之间的评分趋势值进行比较、计算，得到用户之间的相似度，并获得a的相似用户候选集。