CN105677701A - 一种基于不经意传输的社会化推荐方法 - Google Patents

Abstract

本发明公开了一种基于不经意传输的社会化推荐，包括如下步骤：（1）所述SN端和RBS端将用户历史行为记录矩阵的数据分布情况共享给对方，两端仅计算和的项（两方共享的仅为数据的分布情况，并未涉及两方的数据值信息）；（2）利用OT乘法协议各自完成物品的推荐得分计算,并且RBS和SN仅凭所拥有的计算得分并不能推测出对方的数据。（3）物品的推荐得分由RBS和SN以加法和形式秘密共享；（4）比较获得推荐结果。通过上述方式，本发明基于不经意传输的社会化推荐方法具有计算代价极小、适应性极强、效率极高等优点，在基于不经意传输的社会化推荐方法的普及上有着广泛的市场前景。

Description

一种基于不经意传输的社会化推荐方法

技术领域

本发明涉及安全多方计算领域，特别是涉及一种基于不经意传输的社会化推荐方法。

背景技术

基于邻域的算法是推荐系统中最基本的算法，该算法不仅在学术界得到了深入研究，而且在业界也得到了广泛应用。基于邻域的算法分为两大类：一类是基于用户的协同过滤算法，另一类是基于物品的协同过滤算法。

协同过滤方法主要根据用户的历史行为和兴趣来预测用户未来的行为，因此大量的用户历史行为数据成为推荐系统的重要组成成分和先决条件。对于许多在初始阶段的网站而言，没有大量用户数据的积累，协同过滤方法不能够很好的发挥出效果。

基于邻域的社会化推荐算法，通常默认用户的社交网络拓扑图来自完全安全可信的提供商，RBS可以完全不受拘束的使用社交网络拓扑数据进行社会化推荐。但更多情况下，RBS仅持有用户历史行为数据信息，社交网络拓扑信息需要通过第三方的API获取（比如Facebook’sOpenGraph,TwitterAPI,etc）。而在现实生活中，完全可信赖的第三方这一假设通常是不成立的。由此可见，一个安全可靠的多方合作的社会化推荐方案十分必要。

Yao在文献“Howtogenerateandexchangesecrets”中首次提出了安全两方计算的概念，并且设计出了第一个安全两方比较协议-百万富翁协议。该协议使得两个参与方能够在不泄露个人输入的情况下，比较出两方所持有数据的大小关系。他同时在该文献中指出，任何安全两方的计算协议，均可以通过电路门实现。到目前为止，基于Yao的GarbledCircuits原理，学者们已经设计出包括：安全多方求和，安全多方求差，安全多方求积以及安全多方比较等一系列基本操作模块。

发明内容

本发明主要解决的技术问题是提供一种基于不经意传输的社会化推荐方法，通过在不泄露任一参与方私有数据的前提下，不经意传输、合作完成个性化的社会化推荐，基于好友关系的推荐可以增加推荐的信任度，利用社交网络可以有效解决传统推荐方法的冷启动问题，安全性高、适应性强，在基于不经意传输的社会化推荐方法的普及上有着广泛的市场前景。

为解决上述技术问题，本发明采用的一个技术方案是：

提供一种基于不经意传输的社会化推荐方法，其步骤包括：（1）将作为参与方的社交网络服务提供商端设置为SN、电子商务提供商端设置为RBS，用户的社交网络拓扑图设置为SocialGraph，SN持有所有用户之间的社交关系网络拓扑图，RBS持有用户历史行为数据，是所有的用户节点集合，是用户好友关系的边集合，是物品id集合，是用户与物品之间的关系集合，是边的权重，设置推荐物品个数为k；

（2）利用不经意传输算法，SN和RBS合作计算出每个物品的预测得分；

（2.1）SN持有所有用户的社交关系数据，RBS持有用户历史行为数据，用户历史行为数据即用户历史购买记录；对于目标用户u，SN可以根据事先确定好的相似度计算方法计算出sim(u,v)，其中，v是除用户u之外的所有其他用户，而除了用户u以外，一共有m个用户；当物品为i，SN端持有相似度向量SIM={sim（u,）,sim(u,),…,sim(u,)},表示用户，一直到用户分别相对于用户u的相似度，表示第m个用户；RBS持有物品i的评分向量={w（，i），w(,i),…,w(,i)},表示用户，一直到用户分别对物品i的评分，表示第m个用户；对于目标用户u而言，物品i的推荐得分s（u，i）为对应位积之和；RBS将所有用户的历史行为数据记录在记录矩阵中，并将记录矩阵的分布情况共享给SN，同样SN也需要将自己的数据分布情况共享给RBS，即两方只计算和的项，并不是对所有的元素进行OT乘法操作，其中，记录矩阵的分布情况为0时，则用户未曾购买过物品，记录矩阵的分布情况为1时，则用户购买过物品；

（2.2）利用不经意传输协议安全包装自己的数据：

（2.2.1）RBS随机生成个环元素s₀,…，，a表示SocialGraph中的某个用户u与另一个用户之间的相似度值，b表示HistoryRecords中物品I的一个用户评分，a,b∈R，根据，分别计算二元组(，)，其中，0≤i<ρ，i为自然数；

（2.2.2）SN根据a的二进制表示…，利用不经意传输协议从RBS中得到；SN计算，RBS端计算，以此将自己的数据完成安全的封装，得到关于相似度值得分x，以及关于评分记录得分y；

（3）以加法和形式秘密共享数据，并完成物品的推荐得分计算：SN和RBS分别持有向量X={，,…,}和Y={,,…,}，其中，表示客户相对于目标用户u对物品的评分，以此类推，计算出物品的评分,其总和，并且将所有物品的评分总和以上述加法和的形式秘密共享；

（4）比较获得推荐结果：以SN的向量X和RBS的向量Y为输入，SN和RBS利用GarbledCircuits合作实现安全的比较，RBS得到针对当前推荐用户而言的前k个得分最高的推荐结果，即得到了k个对推荐用户而言最佳的推荐结果。

在本发明一个较佳实施例中，步骤（2）中的所述不经意传输协议通过简化不经意传输协议系统计算和的项。

在本发明一个较佳实施例中，在步骤（4）比较获得推荐结果的具体步骤包括：任意挑选用户未曾访问过的物品作为初始值，RBS和SN合作执行安全比较电路GarbledCircuits，将与所有得分进行比较；两方根据大小比较结果，交换相应位置的得分，最终使得所有比小的物品都排在后面，比大的物品都排在前面，每一轮比较结束后，记录物品当前位置；如果当前位置等于，则返回当前位置前的物品相应id，并将其推荐给用户；如果当前位置大于，则从开始位置到当前位置重复执行以上步骤，直到当前位置等于；如果当前位置小于，则从当前位置到最后位置重复执行以上步骤，直到当前位置等于。

本发明的有益效果是：本发明基于不经意传输的社会化推荐方法具有安全性极高、适应性极强等优点，在基于不经意传输的社会化推荐方法的普及上有着广泛的市场前景。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图，其中：

图1是本发明基于不经意传输的社会化推荐方法一较佳实施例的第一阶段的基于不经意传输协议加密机制计算物品推荐得分的结构示意图;

图2是本发明基于不经意传输的社会化推荐方法一较佳实施例的第二阶段的基于不经意传输协议加密机制的加法和秘密共享方式的结构示意图;

图3是本发明基于不经意传输的社会化推荐方法一较佳实施例的第三阶段的基于GarbledCircuits的安全的topk选择的结构示意图;

图4是本发明基于不经意传输的社会化推荐方法一较佳实施例的用户历史行为数据的示意图;

图5是本发明基于不经意传输的社会化推荐方法一较佳实施例的社交网络拓扑图。

具体实施方式

下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1-5，本发明实施例包括：

一种基于不经意传输的社会化推荐方法，包括：社交网络服务提供商和电子商务提供商作为参与方，其中所述社交网络服务提供商记为SN、所述电子商务提供商记为RBS，SN端持有所有用户的社交网络拓扑图记为SocialGraph，RBS持有所有用户的历史行为数据，即用户购买物品历史记录，记为HistoryRecords，以保证双方私有数据不泄露。

一种基于不经意传输的社会化推荐方法包括如下步骤：

（1）所述SN端和RBS端将用户历史行为记录矩阵的数据分布情况共享给对方：

所述社交网络拓扑图SocialGraph包括个性化网页级别记为PersonalizedPageRank，基于所述社交网络拓扑图SocialGraph,由于使用OT乘法直接算出所有用户和物品之间的乘积所需要的开销太大,因此所述RBS只是将用户的历史行为记录矩阵的数据分布情况（为0，用户未曾够买过物品；为1，用户购买过物品）共享给SN，同样SN也需要将自己数据分布情况共享给RBS，两端仅需计算和的项，从而减少不必要的计算开销，极大的提高了运行效率。

（2）利用OT乘法协议安全包装自己的数据：

首先，RBS端随机生成(a,b∈R)个环元素s₀,…，，a表示SocialGraph中的某个用户u与另一个用户之间相似度值，b表示HistoryRecords中物品I的一个用户评分，并根据，分别计算二元组(，)(0≤i<ρ)。接下来，SN端根据a的二进制表示…利用OT从RBS端中得到。最后，SN端计算，RBS端计算，以此将自己的数据完成安全的封装。

（3）所述两端以加法和形式秘密共享数据，并完成物品的推荐得分计算：

SN端和RBS端分别持有向量X和向量Y，其中，表示客户u_j相对于用户u对物品I_i的评分，以此类推，我们可以计算出物品I_i的评分总和为，并且我们将所有的评分的总和以这种加法和的形式秘密共享；所述不经意传输方法通过OT乘法系统SN和RBS端各自生成物品得分x和y，SN端和RBS端仅凭所有的x或y是不能推测出对方的详细数据的。

（4）比较获得推荐结果：

以所述SN端的向量X和所述RBS端的向量Y为输入，所述SN端和所述RBS端利用GarbledCircuits合作实现安全的比较，最终所述RBS端得到针对当前推荐用户而言的前k个得分最高的推荐结果，即得到了k个对推荐用户而言最佳的推荐结果。

本发明技术方案将两个参与方分别称为SN和RBS。问题的形式化定义如下：SN持有所有用户之间的社交关系网络拓扑无向图，是所有的用户节点集合，是用户好友关系的边集合；RBS持有用户历史行为数据，是物品id集合，是用户与物品之间的关系集合（如购买关系），是边的权重（如购买次数）。两方将基于前面所阐述的算法，通过合作计算，给目标用户进行合理的推荐，设置推荐物品个数为k。推荐过程中，保证双方的私有信息不会泄露。

本发明采用不经意传输协议（OT）系统和GarbledCircuits技术，设计出在不泄露任何参与方私有数据信息的前提下，两参与方合作进行个性化的社会化推荐。方法具体包括了三个阶段：

第一阶段，如图1所示，利用不经意传输算法，SN和RBS合作计算出每个物品的预测得分，计算过程中不会泄漏与两参与方输入数据相关的任何信息。在这一阶段中，SN与RBS先互相交换数据的分布情况（并不是数据的值），两端仅需计算和的项，以减少不必要的计算。接着，RBS端随机生成(a,b∈R)个环元素s₀,…，，a表示SocialGraph中的某个用户u与另一个用户之间相似度值，b表示HistoryRecords中物品I的一个用户评分，并根据，分别计算二元组(，)(0≤i<ρ)。接下来，SN端根据a的二进制表示…利用OT从RBS端中得到。最后，SN端计算，RBS端计算，以此将自己的数据完成安全的封装，得到关于相似度值得分x，以及关于评分记录得分y；

第二阶段，如图2所示，SN端和RBS端分别持有向量X={，,…,}和向量Y={,,…,}，其中，表示客户相对于用户u对物品的评分，以此类推，我们可以计算出物品的评分总和为，并且我们将所有的评分的总和以这种加法和的形式秘密共享；

第三阶段，如图3所示，RBS和SN利用GarbledCircuits合作执行安全的比较过程，最终RBS得到对当前目标用户而言的个推荐结果，为了尽量减少比较次数，提高效率，我们使用快排思想作为比较机制。在这一阶段，任意挑选用户未曾访问过的物品作为初始值，RBS和SN合作执行安全比较电路GarbledCircuits，将与所有得分进行比较，保证比较过程不泄露双方的任何私有信息，两方根据大小比较结果交换相应位置的得分，最终保证所有比小的物品都排在后面，比大的物品都排在前面，每一轮比较结束后，记录物品当前位置。如果当前位置等于，则返回当前位置前的物品相应id，并将其推荐给用户；如果当前位置大于，则从开始位置到当前位置重复执行以上步骤，直到当前位置等于；如果当前位置小于，则从当前位置到最后位置重复执行以上步骤，直到当前位置等于。

安全方面：从本发明技术方案可以看出，只需分析两参与方能否通过接收到的另一方所发送的信息来推断出其私有数据信息，若不能，则可说明方法是安全的。

首先分析参与方RBS端的私有信息是否会泄漏。RBS可以得到SN的数据分布情况，并不是数据值（步骤1中），而根据数据的分布情况并无法确定具体的数值。通过OT乘法，RBS和SN无法由x以及y得到a，b的任何信息。步骤5中，RBS和SN利用GarbledCircuits实现安全的比较，从所有物品得分中挑选出个最高预测得分，基于电路的安全性，我们认为该比较过程不会泄露任何的私有信息。在本发明的算法执行过程的其他各个步骤中，SN除了最初的数据分布情况，没有向RBS发送任何数据具体值，综合以上分析可知，在本发明的算法执行过程中，SN的私有数据没有任何泄露。

另一方面，在本发明的执行过程中，除了步骤1的数据分布情况交互和步骤5的安全比较协议的交互之外，RBS只向SN发送数据，显然，SN只能通过a的二进制表示…和得到x，由于随机数的干扰，并无法得到RBS的任何私有数据信息，因此，本发明的执行过程保证了RBS私有信息不会泄露。所以，基于不经意传输系统和安全比较电路的安全性，本发明检测过程是安全的，任何参与方的私有数据都不会发生泄露。

假设RBS是拥有4个用户8个物品的电子商务服务提供商，用户历史行为数据（购买关系记录）如图4所示，此处用表示，是物品id集合，是用户与物品之间的关系集合（如购买关系），是边的权重（如购买次数）。SN持有RBS所有用户之间的社交关系网络拓扑图（无向图），如下图5所示，其中，是所有的用户节点集合，是用户好友关系的边集合。

两方将通过合作计算，给目标用户进行合理的推荐，设置推荐物品个数为。推荐过程中，保证双方的私有数据信息不会泄露。

本实施例的具体实施步骤如下：

预处理：SN根据社交网络拓扑图得到用户关系矩阵,（是用户数目4）；根据，RBS得到物品与用户关系倒排表，是物品标识（物品id），是由构成的二元组，是访问过物品的用户标识，是用户对物品的购买次数。是目标用户未曾购买过的所有物品集合，。

（1）利用不经意传输算法，RBS和SN合作计算出每个物品的预测得分，计算过程中不会泄露与两参与方输入数据相关的任何信息。具体实施步骤如下：

步骤一：根据关系矩阵，SN通过迭代计算PersonalizedPageRank得到针对目标用户的一维PersonalizedPageRank值向量。

步骤二：RBS将用户历史行为记录矩阵的数据分布情况（为0，用户未曾够买过物品；为1，用户购买过物品）共享给SN，同样SN也需要将自己数据分布情况共享给RBS，两端仅需计算sim(u,u_j)≠0和w(u_j,i)≠0的项。

步骤三：针对sim(u,u_j)≠0和w(u_j,i)≠0的项，我们采用OT乘法来计算物品的最终得分，RBS端随机生成(w（u₁,1）=7∈R)个环元素s₀,…，，并根据，分别计算二元组(，)(0≤i<ρ)。接下来，SN端根据a（其中a=sim（u₄，u₁）=15）的二进制表示…利用OT从RBS端中得到。最后，SN端计算，RBS端计算，例如，其中x+y=7*15=105,是用户u₁相似于u₄对物品i₁的评分。

步骤四：重复步骤三，RBS和SN端用OT乘法的方式计算各自的数据得出向量X和Y。

（2）SN和RBS利用OT乘法加密机制的性质实现加法秘密共享。具体实施步骤如下：

从上述中可知RBS端加密计算每个人对物品i₁的得分总和，SN端计算对于u₄的相似度，而Y₁+X₁=S_1，为物品i₁的最终得分，通过这种方式可以得到i₁到i₈的不同得分，而SN与RBS分别持有向量X和Y以这种加法和的形式共享物品最终得分。

（3）RBS和SN利用GarbledCircuits合作执行安全的比较过程，最终RBS得到对而言的个推荐结果，具体实施步骤如下：

步骤一：从集合中随机挑选一个物品，RBS和SN合作执行安全比较电路GarbledCircuits，将与所有得分进行比较，两方根据得到的大小比较结果交换相应位置的得分，最终保证所有比小的物品都排在后面，比大的物品都排在前面。并记录物品得分当前位置；

步骤二：如果当前位置等于，则返回当前位置前的物品（0,1，...，k-1），并将其推荐给用户；

步骤三：如果当前位置大于，则从开始位置到当前位置重复执行步骤二，直到当前位置等于k；

步骤四：如果当前位置小于，则从当前位置到最后位置重复执行步骤二，直到当前位置等于k。

本发明基于不经意传输的社会化推荐方法的有益效果是：

一、通过使得推荐系统在互相缺乏信任的独立方合作展开，为本技术领域的进步拓展了空间，具有使用价值，在不泄露任一参与方私有数据的前提下，不经意传输、合作完成个性化的社会化推荐，通信和计算复杂度都进一步降低，使其实用性大大增强；

二、通过基于好友关系的推荐，有效地增加推荐的信任度；

三、通过利用社交网络，有效地解决了传统推荐方法的冷启动问题，安全性高、适应性强。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书内容所作的等效结构或等效流程变换，或直接或间接运用在其它相

关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (3)

1.一种基于不经意传输的社会化推荐方法，其特征在于，步骤包括：

（1）将作为参与方的社交网络服务提供商一端设置为SN、电子商务提供商一端设置为RBS，用户的社交网络拓扑图设置为SocialGraph，SN持有所有用户之间的社交关系网络拓扑图，RBS持有用户历史行为数据，是所有的用户节点集合，是用户好友关系的边集合，是物品ID集合，是用户与物品之间的关系集合，是边的权重，设置推荐物品个数为k；

（2）利用不经意传输算法，SN和RBS合作计算出每个物品的预测得分：

（2.1）SN持有所有用户的社交关系数据G_F，RBS持有用户历史行为数据G_I，用户历史行为数据即用户历史购买记录；对于目标用户u，SN可以根据事先确定好的相似度计算方法计算出sim(u,v)，其中，v是除用户u之外的所有其他用户，而除了用户u以外，一共有m个用户；当物品为i，SN端持有相似度向量SIM={sim（u,u₁）,sim(u,u₂),…,sim(u,u_m)},其表示用户u₁、u₂一直到用户u_m分别相对于用户u的相似度,u_m表示第m个用户；RBS持有物品i的评分向量W_i={w（u₁，i），w(u₂,i),…,w(u_m,i)},其表示用户u₁、u₂一直到用户u_m分别对物品i的评分，u_m表示第m个用户；对于目标用户u而言，物品i的推荐得分s（u，i）为对应位积之和；RBS将所有用户的历史行为数据记录在记录矩阵中，并将记录矩阵的分布情况共享给SN，同样SN也需要将自己的数据分布情况共享给RBS，即两方只计算和的项，并不是对所有的元素进行OT乘法操作，其中，记录矩阵的分布情况为0时，则用户未曾购买过物品，记录矩阵的分布情况为1时，则用户购买过物品；

（2.2）利用不经意传输协议安全包装自己的数据：

（2.2.1）RBS随机生成个环元素，a表示SocialGraph中的某个用户u与另一个用户之间的相似度值，b表示HistoryRecords中物品I的一个用户评分，a,b∈R，根据，分别计算二元组(，)，其中，0≤i<ρ，i为自然数；

（2.2.2）SN根据a的二进制表示…，利用不经意传输协议从RBS中得到；SN计算，RBS端计算，以此将自己的数据完成安全的封装，得到关于相似度值得分x，以及关于评分记录得分y；

（3）以加法和形式秘密共享数据，并完成物品的推荐得分计算：SN和RBS分别持有向量X=和Y=，其中，表示客户

相对于目标用户u对物品的评分，以此类推，计算出物品的评分,其总和，并且将所有物品的评分总和以上述加法和的形式秘密共享；

（4）比较获得推荐结果：以SN的向量X和RBS的向量Y为输入，SN和RBS利用GarbledCircuits合作实现安全的比较，RBS得到针对当前推荐用户而言的前k个得分最高的推荐结果，即得到了k个对推荐用户而言最佳的推荐结果。

2.根据权利要求1所述的基于不经意传输的社会化推荐方法，其特征在于，步骤（2）中的所述不经意传输协议通过简化不经意传输协议系统的计算量，仅计算sim(u,u_j)≠0和w(u_j,i)≠0的项。

3.根据权利要求1所述的基于不经意传输的社会化推荐方法，其特征在于，在步骤（4）比较获得推荐结果的具体步骤包括：任意挑选用户未曾访问过的物品作为初始值，RBS和SN合作执行安全比较电路GarbledCircuits，将与所有得分进行比较；两方根据大小比较结果，交换相应位置的得分，最终使得所有比小的物品都排在后面，比大的物品都排在前面，每一轮比较结束后，记录物品当前位置；如果当前位置等于，则返回当前位置前的物品相应id（0,1，...,k-1），并将其推荐给用户；如果当前位置大于，则从开始位置到当前位置重复执行以上步骤，直到当前位置等于；如果当前位置小于，则从当前位置到最后位置重复执行以上步骤，直到当前位置等于。