CN109284449A - 兴趣点的推荐方法和装置 - Google Patents

兴趣点的推荐方法和装置 Download PDF

Info

Publication number
CN109284449A
CN109284449A CN201811234242.1A CN201811234242A CN109284449A CN 109284449 A CN109284449 A CN 109284449A CN 201811234242 A CN201811234242 A CN 201811234242A CN 109284449 A CN109284449 A CN 109284449A
Authority
CN
China
Prior art keywords
user
probability
point
interest
privacy
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201811234242.1A
Other languages
English (en)
Other versions
CN109284449B (zh
Inventor
曾锋
曾一锋
陈碧连
霍永峰
曹浪财
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiamen University
Original Assignee
Xiamen University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xiamen University filed Critical Xiamen University
Priority to CN201811234242.1A priority Critical patent/CN109284449B/zh
Publication of CN109284449A publication Critical patent/CN109284449A/zh
Application granted granted Critical
Publication of CN109284449B publication Critical patent/CN109284449B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及一种兴趣点的推荐方法和装置，该方法包括：获取差分隐私噪声因子；根据所述差分隐私噪声因子，基于设定的社交关系隐私保护算法确定用户之间的好友模糊相似度推荐概率；根据目标区域的兴趣点的历史访问人数以及目标用户的实际地理位置，基于设定的地理位置隐私保护算法，确定虚拟圆半径，其中，所述虚拟圆对应的区域为所述用户的隐私区域；根据所述虚拟圆确定所述用户之间的地理位置距离推荐概率，根据所述好友模糊相似度推荐概率以及所述地理位置距离推荐概率，向用户推荐兴趣点。解决了在兴趣点的推荐过程中用户隐私信息暴露过多的问题，在为用户推荐合理的兴趣点的前提下，以更友好的方式解决了用户的隐私泄露问题。

Description

兴趣点的推荐方法和装置
技术领域
本发明涉及隐私保护算法技术领域，具体涉及一种兴趣点的推荐方法和装置。
背景技术
随着社交网站、无线网络和移动网络设备的快速发展，一些基于位置的社交网络服务，如Facebook、微博和Foursquare等吸引了百万用户，许多用户将社交用户网络融入自己的生活。现有的推荐系统中，通过手机和处理用户的偏好信息，为用户提供有趣的内容，例如推荐内容可以是兴趣点(Point of Interest，POI)，以提升用户体验。
在地理信息系统中，兴趣点可以是一栋房子、一个商铺、一个邮筒或一个公交站等。通常情况下，在向用户推荐兴趣点的过程中，为了获得更好的推荐结果，该推荐过程不可避免的暴露用户的隐私信息。因此，造成的用户隐私信息泄露问题比较严重。
发明内容
有鉴于此，本发明的目的在于克服现有技术的不足，提供一种兴趣点的推荐方法和装置，解决了在兴趣点的推荐过程中用户隐私信息暴露过多的问题，在为用户推荐合理的兴趣点的前提下，以更友好的方式解决了用户的隐私泄露问题。
为实现以上目的，本发明采用如下技术方案：
第一方面，本发明实施例提供了一种兴趣点的推荐方法，该方法包括：
获取差分隐私噪声因子；
根据所述差分隐私噪声因子，基于设定的社交关系隐私保护算法确定用户之间的好友模糊相似度推荐概率；
根据目标区域的兴趣点的历史访问人数以及目标用户的实际地理位置，基于设定的地理位置隐私保护算法，确定虚拟圆半径，其中，所述虚拟圆对应的区域为所述用户的隐私区域；
根据所述虚拟圆确定所述用户之间的地理位置距离推荐概率，
根据所述好友模糊相似度推荐概率以及所述地理位置距离推荐概率，向用户推荐兴趣点。
进一步的，所述获取差分隐私噪声因子包括：
删除用户的至少一个朋友关系链接，生成所述用户的新的邻居集；
根据所述新的邻居集获取差分隐私噪声因子。
进一步的，所述根据所述差分隐私噪声因子，基于设定的社交关系隐私保护算法确定用户之间的好友模糊相似度推荐概率，包括：
根据所述新的邻居集，基于所述设定的社交关系隐私保护算法确定用户的模糊社交关系列表；
根据所述模糊社交关系列表确定用户之间的好友模糊相似度推荐概率。
进一步的，所述根据目标区域的兴趣点的历史访问人数以及用户的实际地理位置，基于设定的地理位置隐私保护算法，确定虚拟圆半径，包括：
根据所述目标区域的兴趣点的历史访问人数确定所述兴趣点的人口密度；
根据所述人口密度以及用户的实际地理位置，基于设定的地理位置隐私保护算法，确定虚拟圆半径。
进一步的，所述根据所述虚拟圆确定所述用户之间的地理位置距离推荐概率，包括：
根据所述虚拟圆以及设定的随机向量，将用户的实际地理位置更新为与所述设定的随机向量对应的随机点；
根据所述虚拟圆以及所述随机点确定任意两个兴趣点之间的实际距离；
根据所述实际距离确定所述用户之间的地理位置距离推荐概率。
进一步的，所述根据所述好友模糊相似度推荐概率以及所述地理位置距离推荐概率，向用户推荐兴趣点包括：
获取用户相似度推荐概率；
分别给所述用户相似度推荐概率、所述好友模糊相似度推荐概率以及所述地理位置距离推荐概率设置对应的权重，获取推荐概率；
根据所述推荐概率向用户推荐兴趣点。
进一步的，所述根据所述好友模糊相似度推荐概率以及所述地理位置距离推荐概率，向用户推荐兴趣点之后，还包括：
应用目标函数通过计算微分熵以确定信息保护度，其中，所述信息保护度包括在标准用户推荐系统中加入了模糊社会关系以及模糊地理位置之后的信息增量，所述模糊社会关系满足所述好友模糊相似度推荐概率的条件，所述模糊地理位置满足所述地理位置推荐概率的条件。
进一步的，所述差分隐私噪声因子满足设定的差分隐私条件。
第二方面，本发明实施例提供了一种兴趣点的推荐装置，该装置包括：
信息获取模块，用于获取差分隐私噪声因子；
第一概率确定模块，用于根据所述差分隐私噪声因子，基于设定的社交关系隐私保护算法确定用户之间的好友模糊相似度推荐概率；
虚拟圆半径确定模块，用于根据目标区域的兴趣点的历史访问人数以及目标用户的实际地理位置，基于设定的地理位置隐私保护算法，确定虚拟圆半径，其中，所述虚拟圆对应的区域为所述用户的隐私区域；
第二概率确定模块，用于根据所述虚拟圆确定所述用户之间的地理位置距离推荐概率；
兴趣点推荐模块，用于根据所述好友模糊相似度推荐概率以及所述地理位置距离推荐概率，向用户推荐兴趣点。
进一步的，所述信息获取模块具体用于：
删除用户的至少一个朋友关系链接，生成所述用户的新的邻居集；
根据所述新的邻居集获取差分隐私噪声因子。
进一步的，所述第一概率确定模块具体用于：
根据所述新的邻居集，基于所述设定的社交关系隐私保护算法确定用户的模糊社交关系列表；
根据所述模糊社交关系列表确定用户之间的好友模糊相似度推荐概率。
进一步的，所述虚拟圆半径确定模块包括具体用于：
根据所述目标区域的兴趣点的历史访问人数确定所述兴趣点的人口密度；
根据所述人口密度以及用户的实际地理位置，基于设定的地理位置隐私保护算法，确定虚拟圆半径。
进一步的，所述第二概率确定模块具体用于：
根据所述虚拟圆以及设定的随机向量，将用户的实际地理位置更新为与所述设定的随机向量对应的随机点；
根据所述虚拟圆以及所述随机点确定任意两个兴趣点之间的实际距离；
根据所述实际距离确定所述用户之间的地理位置距离推荐概率。
进一步的，所述兴趣点推荐模块具体用于：
获取用户相似度推荐概率；
分别给所述用户相似度推荐概率、所述好友模糊相似度推荐概率以及所述地理位置距离推荐概率设置对应的权重，获取推荐概率；
根据所述推荐概率向用户推荐兴趣点。
进一步的，还包括信息保护度确定模块，具体用于所述根据所述好友模糊相似度推荐概率以及所述地理位置距离推荐概率，向用户推荐兴趣点之后，应用目标函数通过计算微分熵以确定信息保护度，其中，所述信息保护度包括在标准用户推荐系统中加入了模糊社会关系以及模糊地理位置之后的信息增量，所述模糊社会关系满足所述好友模糊相似度推荐概率的条件，所述模糊地理位置满足所述地理位置推荐概率的条件。
进一步的，所述差分隐私噪声因子满足设定的差分隐私条件。
本发明采用以上技术方案，获取差分隐私噪声因子；根据所述差分隐私噪声因子，基于设定的社交关系隐私保护算法确定用户之间的好友模糊相似度推荐概率；根据目标区域的兴趣点的历史访问人数以及目标用户的实际地理位置，基于设定的地理位置隐私保护算法，确定虚拟圆半径，其中，所述虚拟圆对应的区域为所述用户的隐私区域；根据所述虚拟圆确定所述用户之间的地理位置距离推荐概率，根据所述好友模糊相似度推荐概率以及所述地理位置距离推荐概率，向用户推荐兴趣点。解决了在兴趣点的推荐过程中用户隐私信息暴露过多的问题，在为用户推荐合理的兴趣点的前提下，以更友好的方式解决了用户的隐私泄露问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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他的附图。
图1是本发明实施例提供的一种兴趣点的推荐方法的流程图；
图2是本发明实施例提供的一种兴趣点的推荐方法的流程图；
图3是本发明实施例提供的一种兴趣点的推荐方法的流程图；
图4是本发明实施例提供的一种兴趣点的推荐装置的结构示意图。
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，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，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的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
实施例一
图1为本发明实施例提供的一种兴趣点的推荐方法的流程图，本实施例可适用于在地理信息系统中向用户推荐兴趣点的情况，该方法可以由本发明实施例提供的兴趣点的推荐装置执行，该装置可采用软件和/或硬件的方式实现。参考图1，该方法具体可以包括如下步骤：
S110、获取差分隐私噪声因子。
具体的，本发明实施例中的差分隐私噪声因子需要满足差分因子条件，首先需要获取满足差分隐私条件的差分隐私噪声因子。接下来通过差分隐私的定义来说明差分隐私条件：在数据库D中有n条记录，D＝(x1，x2，...，xn)，其中每一个xi都是数据库中的一个条目，都是取值范围为Rd，向量xi的d个元素对应条目的d个属性。定义隐私保护算法Mpriv的取值范围为Ω，如果算法满足以下不等式，则称算法Mpriv满足∈-差分隐私,Pr[Mpriv(D)∈T]≤e∈·Pr[Mpriv(D′)∈T]，其中，数据库D和D′之间相差之多一个条目。通过改变参数∈∈(0，1)来控制隐私保护的程度，随着参数∈的逐渐减小，隐私保护效果会逐渐增强。选取符合差分隐私条件的差分隐私噪声因子，有利于提高隐私保护效果。
S120、根据所述差分隐私噪声因子，基于设定的社交关系隐私保护算法确定用户之间的好友模糊相似度推荐概率。
首先对设定的社交隐私保护算法进行介绍，社交关系是基于社交网络的推荐算法中一个重要的因子，它将社交网络中的好友关系量化得到的相应的好友相似度，计算该相似度的方法常有利用用户的好友列表和其访问的兴趣点集合计算好友相似度，即：
其中，Pr[ci，j]表示用户i将会访问兴趣点j的好友相似度推荐概率，ck，j＝1表示用户k在兴趣点j有过签到记录，而ck，j＝0用户k在兴趣点j无签到记录。SIk，i表示用户k和用户i的好友相似度，Fk代表用户k的好友列表，Lk代表用户k的历史签到列表，γ∈[0，1]是一个线性参数。本发明实施例中，根据所述差分隐私噪声因子，基于设定的社交关系隐私保护算法确定用户之间的好友模糊相似度推荐概率。
现有技术中，因为社交好友关系推荐而导致用户隐私泄露的情况可以分为如下两类：一是因为朋友之间过于同步的行为使得朋友之间好友相似度非常高，使得推荐系统常做为其中的一个用户推荐只属于另一用户的兴趣，这导致用户的隐私签到信息被大概率推断出，造成了隐私泄露事件；二是假设朋友之间的好友相似度依然很高，其中一个用户因为猜测另一用户的某个不寻常兴趣点而对推荐服务器发送虚拟查询告知服务器该不寻常兴趣点也是其爱好，然后根据推荐系统返回的推荐结果推导出该不寻常兴趣点是其朋友的签到兴趣点，这也导致了隐私泄露事件。
本发明实施例中，应用的设定的社交关系隐私保护算法，通过差分隐私的严格数学定义，为好友关系提供严格的隐私保护，利用差分隐私噪声因子，例如可以是拉普拉斯机制的数值噪声，将差分隐私噪声因子添加到好友相似度计算过程中，以提供足量的噪声使得朋友之间的好友相似度尽量的平滑，避免某几个好友相似度过高的情况出现，防止了上述两类好友攻击行为。
S130、根据目标区域的兴趣点的历史访问人数以及目标用户的实际地理位置，基于设定的地理位置隐私保护算法，确定虚拟圆半径，其中，所述虚拟圆对应的区域为所述用户的隐私区域。
首先对地理位置隐私保护算法进行介绍，地理位置是LBSN推荐系统中的一个非常重要的因子，通常情况下，两个兴趣点之间距离越远，用户去访问另一兴趣点的概率随之越小，这借鉴于Tober的地理学第一定律：“一切都与其他一切有关，但近处的东西比遥远的东西更相关”。基于地理位置的推荐系统中，用户i将会访问兴趣点j的地理位置距离推荐概率为:
其中，d(lj，ly)表示兴趣点j和y之间的真实距离，Li是用户i的访问兴趣点集合。
具体的，获取目标区域的兴趣点的历史访问人数以及目标用户的实际地理位置，基于设定的地理位置隐私保护算法确定虚拟圆半径，其中，虚拟圆对应的区域为用户的隐私区域。
在一个具体的例子中，确定虚拟圆半径的过程中，需要获取虚拟圆半径的上下界，其中，虚拟圆半径的上下界分别用rmax，rmin表示，虚拟圆半径的上界是指，当某一个兴趣点被用户建立之后还没有人进行过签到行为时，说明该片区域人口非常稀疏，可以认为这是在乡村，甚至是广袤的沙漠，人口稀疏，地形平坦，因此需要非常大的虚拟圆半径来保护用户的地理位置隐私，这个非常大的虚拟圆半径可以是虚拟圆半径的上界。
当某一个兴趣点，例如新开的餐馆或者服装店等，逐渐被人认可，签到数量逐渐上升时，我们可以认为这里的人口数量在逐渐提高，因此虚拟圆的半径也可以随之逐渐降低，使得该隐私保护算法在不降低用户地理位置隐私保护程度的情况下提高数据可利用的有效性，为服务商提高推荐系统准确度有极大的帮助。但是，当签到人数逐渐上升至一个关键数量节点是，此时不能在无限的缩小该POI虚拟圆的半径，因为尽管人口数量非常高了，过小的半径仍然可以使得攻击者能在短时间内在用户隐私区域内发现用户的精确位置。因此在该函数中设置了一个虚拟圆半径的最小值rmin，防止某些热点POI会随着用户签到数量的增加使得虚拟圆半径过小而失去了隐私保护的能力。将该虚拟圆半径的最小值确定为虚拟圆半径的下界。
S140、根据所述虚拟圆确定所述用户之间的地理位置距离推荐概率。
具体的，根据虚拟圆半径以及概率密度函数确定任意两个兴趣点之间的距离，根据所述距离确定用户之间的地理位置距离推荐概率。
S150、根据所述好友模糊相似度推荐概率以及所述地理位置距离推荐概率，向用户推荐兴趣点。
具体的，在确定好友模糊相似度推荐概率以及地理位置距离推荐概率之后，将好友模糊相似度推荐概率以及地理位置距离推荐概率，输入至标准用户推荐系统进行计算，确定目标推荐概率。根据所述目标推荐概率的大小，向用户推荐兴趣点。
本发明采用以上技术方案，获取差分隐私噪声因子；根据所述差分隐私噪声因子，基于设定的社交关系隐私保护算法确定用户之间的好友模糊相似度推荐概率；根据目标区域的兴趣点的历史访问人数以及目标用户的实际地理位置，基于设定的地理位置隐私保护算法，确定虚拟圆半径，其中，所述虚拟圆对应的区域为所述用户的隐私区域；根据所述虚拟圆确定所述用户之间的地理位置距离推荐概率，根据所述好友模糊相似度推荐概率以及所述地理位置距离推荐概率，向用户推荐兴趣点。解决了在兴趣点的推荐过程中用户隐私信息暴露过多的问题，在为用户推荐合理的兴趣点的前提下，以更友好的方式解决了用户的隐私泄露问题。
在上述技术方案的基础上，所述根据所述好友模糊相似度推荐概率以及所述地理位置距离推荐概率，向用户推荐兴趣点具体可以通过如下方式实现：获取用户相似度推荐概率；分别给所述用户相似度推荐概率、所述好友模糊相似度推荐概率以及所述地理位置距离推荐概率设置对应的权重，获取推荐概率；根据所述推荐概率向用户推荐兴趣点。
具体的，标准推荐系统算法中，分别给用户相似度推荐概率、所述好友模糊相似度推荐概率以及所述地理位置距离推荐概率设置对应的权重，用1-α-β、α和β表示，获取推荐概率。在一个具体的例子中，以推荐概率表示用户i将会访问兴趣点j的预测概率，其中表示用户相似度推荐概率，表示用户之间的好友模糊相似度推荐概率，表示用户之间的地理位置距离推荐概率。
实施例二
图2为本发明实施例提供的一种兴趣点的推荐方法的流程图，本实施例在上述实施例的基础上，对“获取差分隐私噪声因子”进行了优化。参考图2，该方法具体可以包括如下步骤：
S210、删除用户的至少一个朋友关系链接，生成所述用户的新的邻居集。
首先，介绍差分隐私判定定理，若F：D→Rk为一个k维查询函数，该查询函数的敏感度为ΔF，那么F(D)+Lapk(ΔF/∈)满足∈-差分隐私。其中Lapk(λ)是从拉普拉斯分布中取样得到的一个k维向量，其标准差为
具体的，删除用户i的一个朋友集Fi中的至少一个朋友的关系链接，其中，被删除的朋友可以是随机的，也即，他们不再是朋友，并生成用户的新的邻居集F′i。
S220、根据所述新的邻居集获取差分隐私噪声因子。
具体的，根据F′i计算用户i的新社交关系影响列表SIi(F′i)，将拉普拉斯噪声的位置和比例参数设置为(0，Δf/∈)，则可以根据Δf/∈确定差分隐私噪声因子。
S230、根据所述差分隐私噪声因子，基于设定的社交关系隐私保护算法确定用户之间的好友模糊相似度推荐概率。
相应的，所述根据所述差分隐私噪声因子，基于设定的社交关系隐私保护算法确定用户之间的好友模糊相似度推荐概率，具体可以通过如下方式实现：根据所述新的邻居集，基于所述设定的社交关系隐私保护算法确定用户的模糊社交关系列表；根据所述模糊社交关系列表确定用户之间的好友模糊相似度推荐概率。
具体的，获得拉普拉斯分布并将拉普拉斯噪声添加到原始朋友关系因子，获取用户的i最终的模糊社交关系列表。将模糊社交关系列表中的数据应用到设定的社交关系隐私保护算法中，确定用户之间的好友模糊相似度推荐概率。通过上述技术方案可知，朋友关系因子变得更加平滑，并且在推荐系统中实施社交关系隐私保护算法之后，不会存在一些用户的朋友关系特别高的情况。
S240、根据目标区域的兴趣点的历史访问人数以及目标用户的实际地理位置，基于设定的地理位置隐私保护算法，确定虚拟圆半径，其中，所述虚拟圆对应的区域为所述用户的隐私区域。
S250、根据所述虚拟圆确定所述用户之间的地理位置距离推荐概率。
S260、根据所述好友模糊相似度推荐概率以及所述地理位置距离推荐概率，向用户推荐兴趣点。
本发明实施例中提供了获取差分隐私噪声因子的具体方式，主要通过删除用户的至少一个朋友关系链接，生成所述用户的新的邻居集，根据所述新的邻居集获取差分隐私噪声因子。通过引入差分隐私噪声因子，通过上述技术方案可知，朋友关系因子变得更加平滑，并且在推荐系统中实施社交关系隐私保护算法之后，不会存在一些用户的朋友关系特别高的情况。
实施例三
图3为本发明实施例提供的一种兴趣点的推荐方法的流程图，本实施例在上述实施例的基础上，对“根据目标区域的兴趣点的历史访问人数以及用户的实际地理位置，基于设定的地理位置隐私保护算法，确定虚拟圆半径”进行了优化。参考图3，该方法具体可以包括如下步骤：
S310、获取差分隐私噪声因子。
S320、根据所述差分隐私噪声因子，基于设定的社交关系隐私保护算法确定用户之间的好友模糊相似度推荐概率。
S330、根据所述目标区域的兴趣点的历史访问人数确定所述兴趣点的人口密度。
具体的，根据目标区域的兴趣点的历史访问人数确定兴趣点的人口密度，在一个具体的例子中，统计每个兴趣点的签到次数并记录，可以用某个兴趣点中的历史最大签到数量表征该兴趣点的人口密度。
S340、根据所述人口密度以及用户的实际地理位置，基于设定的地理位置隐私保护算法，确定虚拟圆半径。其中，所述虚拟圆对应的区域为所述用户的隐私区域。
其中，如果将一个地理位置保护算法将用户的实际地理位置模糊成一个基于目标区域的虚拟圆并将用户的实际地理位置随机成圆内任意一点，定义该算法满足<r，h>隐私。
具体的，以用户的当前位置为圆心，圆的半径由下述等式确定，
其中，R(hi)表示虚拟圆的半径，rmax表示虚拟圆半径的上界，rmin表示虚拟圆半径的下界，hmax表示兴趣点中历史最大签到数量，hi表示兴趣点i的历史签到次数，rmin、rmax和hmax均是通过真实的试验数据确定。
通过考虑当地人口密度动态调整虚拟圆半径大小，避免了参数固定而带来的区域不适应问题以及数据可利用问题。需要说明的是，本发明实施例中，将一个模糊地理位置发送给推荐服务器。
S350、根据所述虚拟圆确定所述用户之间的地理位置距离推荐概率。
S360、根据所述好友模糊相似度推荐概率以及所述地理位置距离推荐概率，向用户推荐兴趣点。
本发明实施例中，根据所述目标区域的兴趣点的历史访问人数确定所述兴趣点的人口密度；根据所述人口密度以及用户的实际地理位置，基于设定的地理位置隐私保护算法，确定虚拟圆半径。解决了因为用户实时分享签到的兴趣点的具体信息是公开的导致的用户的地理位置被攻击的问题，在上述情况下，虽然暂时不知道用户的具体位置，但是只要通过简单的暴力搜索就可以很快的找到该用户。
可选的，所述根据所述虚拟圆确定所述用户之间的地理位置距离推荐概率，具体可以通过如下方式实现：根据所述虚拟圆以及设定的随机向量，将用户的实际地理位置更新为与所述设定的随机向量对应的随机点；根据所述虚拟圆以及所述随机点确定任意两个兴趣点之间的实际距离；根据所述实际距离确定所述用户之间的地理位置距离推荐概率。
具体的，设定的随机向量可以用(l，θ)表示，结合虚拟圆的半径，以及设定的实际向量将用户的实际位置(用户原先的精确位置)随机移动到圆内任意一点，使得用户可能处于该虚拟圆中的任意一点.。在一个具体的例子中，如果目标区域(当地)的人口密度太小，攻击者易通过暴力方式寻找出用户的位置，因此，这种情况下移动用户位置的向量模长根据虚拟圆以及随机点代替的用户的实际地理位置，确定任意两个兴趣点之间的实际距离，根据任意两个兴趣点之间的实际距离确定用户之间的地理位置推荐概率。
当<r,h>地理位置隐私保护算法加入到传统推荐算法中，需要将用户地理位置模糊成虚拟圆，但是需要得到两个兴趣点之间的距离去计算地理位置因子，将两个兴趣点之间的距离定义为一个虚拟圆的圆心到另一个虚拟圆中的任意一点，这样定义是可以被证明的因为两个圆中的任意点都是满足均匀分布的，所以这样的距离简化是很合理的。
关于距离分布，这里引入一个定理：
在平面直角坐标系中，x轴上存在一点C(c，0)，圆O以坐标原点为圆心，其半径为r，并有0＜r＜c。令圆内任意一点为P(x0，y0)，其中那么可以得点C到圆内任意一点P的距离zC，P的概率密度函数为
在一个具体的例子中，在计算任意两个兴趣点之间的距离时，可以通过如下公式实现：
令c＝t·r，t＞1，则 那么同时，令x＝cosθ∈[-1，1]为积分变量，因此，该距离的期望值为：
将距离的期望值当做距离，实现了对任意两个兴趣点之间的距离的计算。
在上述技术方案的基础上，所述根据所述好友模糊相似度推荐概率以及所述地理位置距离推荐概率，向用户推荐兴趣点之后，还包括：应用目标函数通过计算微分熵以确定信息保护度，其中，所述信息保护度包括在标准用户推荐系统中加入了模糊社会关系以及模糊地理位置之后的信息增量，所述模糊社会关系满足所述好友模糊相似度推荐概率的条件，所述模糊地理位置满足所述地理位置推荐概率的条件。
具体的，目标函数可以取H(X)＝-∫Qf(x)log f(x)dx，Q＝{x|f(x)＞0}，根据该目标函数计算微分熵来确定信息保护度，其中，信息保护度是指，在标准用户推荐系统中加入了模糊社会关系以及模糊地理位置之后的信息增量，用来衡量效果改善程度，所述模糊社会关系满足所述好友模糊相似度推荐概率的条件，模糊地理位置满足地理位置推荐概率的条件。使用微分信息熵评估了算法的有效性，保护了用户的隐私，并给出了公式和量化标准使得用户能根据隐私参数控制其隐私保护程度。
为了使本发明实施例的技术方案更完善，接下来对各个算法中的信息保护度进行说明。
(1)社交关系隐私收益，基于差分隐私的社交关系隐私保护算法提升了好友相似度分布的不确定性，即社会关系隐私收益，保护了用户的社交隐私。
具体的，通过加入前后的差分隐私噪声因子分布的微分熵差计算信息增量，即社交关系隐私收益如下：
由于灵敏度Δf在好友关系数据库中是大于0的整数，
(2)地理位置隐私收益
由于用户地理位置模糊成了虚拟圆，带来了距离的不确定性，导致信息熵的增量，因此，地理位置隐私算法距离和普通算法计算兴趣点时的微分熵差为：
(3)隐私收益总和
假设推荐算法三个因子的权重分别是1-α-β，α，β，相互独立，隐私推荐算法推荐概率分布函数的熵是大于传统算法的，隐私收益为
社交关系隐私保护算法和<r，h>地理位置隐私算法分别提高了推荐概率分布函数的信息熵，分别为同时给出了加入两个隐私算法后的总隐私收益为：
其中：
在实际的应用中，上述技术方案阐述了隐私推荐算法带来的信息增量，也即隐私收益。需要说明的是，来自于差分隐私的参数∈是用户可以自行定义的去获得不同程度的隐私保护，另外，地理位置隐私保护算法中的虚拟圆半径用户也可以个性化，综合这两个方面可以实现用户自定义隐私保护程度。
实施例四
图4是本发明实施例提供的一种兴趣点的推荐装置的结构示意图，该装置适用于执行本发明实施例提供给的一种兴趣点的推荐方法。如图4所示，该装置具体可以包括：
信息获取模块410，用于获取差分隐私噪声因子；
第一概率确定模块420，用于根据所述差分隐私噪声因子，基于设定的社交关系隐私保护算法确定用户之间的好友模糊相似度推荐概率；
虚拟圆半径确定模块430，用于根据目标区域的兴趣点的历史访问人数以及目标用户的实际地理位置，基于设定的地理位置隐私保护算法，确定虚拟圆半径，其中，所述虚拟圆对应的区域为所述用户的隐私区域；
第二概率确定模块440，用于根据所述虚拟圆确定所述用户之间的地理位置距离推荐概率；
兴趣点推荐模块450，用于根据所述好友模糊相似度推荐概率以及所述地理位置距离推荐概率，向用户推荐兴趣点。
进一步的，信息获取模块410具体用于：
删除用户的至少一个朋友关系链接，生成所述用户的新的邻居集；
根据所述新的邻居集获取差分隐私噪声因子。
进一步的，第一概率确定模块420具体用于：
根据所述新的邻居集，基于所述设定的社交关系隐私保护算法确定用户的模糊社交关系列表；
根据所述模糊社交关系列表确定用户之间的好友模糊相似度推荐概率。
进一步的，虚拟圆半径确定模块430包括具体用于：
根据所述目标区域的兴趣点的历史访问人数确定所述兴趣点的人口密度；
根据所述人口密度以及用户的实际地理位置，基于设定的地理位置隐私保护算法，确定虚拟圆半径。
进一步的，第二概率确定模块440具体用于：
根据所述虚拟圆以及设定的随机向量，将用户的实际地理位置更新为与所述设定的随机向量对应的随机点；
根据所述虚拟圆以及所述随机点确定任意两个兴趣点之间的实际距离；
根据所述实际距离确定所述用户之间的地理位置距离推荐概率。
进一步的，兴趣点推荐模块450具体用于：
获取用户相似度推荐概率；
分别给所述用户相似度推荐概率、所述好友模糊相似度推荐概率以及所述地理位置距离推荐概率设置对应的权重，获取推荐概率；
根据所述推荐概率向用户推荐兴趣点。
进一步的，还包括信息保护度确定模块，具体用于所述根据所述好友模糊相似度推荐概率以及所述地理位置距离推荐概率，向用户推荐兴趣点之后，应用目标函数通过计算微分熵以确定信息保护度，其中，所述信息保护度包括在标准用户推荐系统中加入了模糊社会关系以及模糊地理位置之后的信息增量，所述模糊社会关系满足所述好友模糊相似度推荐概率的条件，所述模糊地理位置满足所述地理位置推荐概率的条件。
进一步的，所述差分隐私噪声因子满足设定的差分隐私条件。
本发明实施例提供的兴趣点的推荐装置可执行本发明任意实施例提供的兴趣点的推荐方法，具备执行方法相应的功能模块和有益效果。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种兴趣点的推荐方法，其特征在于，包括：
获取差分隐私噪声因子；
根据所述差分隐私噪声因子，基于设定的社交关系隐私保护算法确定用户之间的好友模糊相似度推荐概率；
根据目标区域的兴趣点的历史访问人数以及目标用户的实际地理位置，基于设定的地理位置隐私保护算法，确定虚拟圆半径，其中，所述虚拟圆对应的区域为所述用户的隐私区域；
根据所述虚拟圆确定所述用户之间的地理位置距离推荐概率；
根据所述好友模糊相似度推荐概率以及所述地理位置距离推荐概率，向用户推荐兴趣点。
2.根据权利要求1所述的方法，其特征在于，所述获取差分隐私噪声因子包括：
删除用户的至少一个朋友关系链接，生成所述用户的新的邻居集；
根据所述新的邻居集获取差分隐私噪声因子。
3.根据权利要求2所述的方法，其特征在于，所述根据所述差分隐私噪声因子，基于设定的社交关系隐私保护算法确定用户之间的好友模糊相似度推荐概率，包括：
根据所述新的邻居集，基于所述设定的社交关系隐私保护算法确定用户的模糊社交关系列表；
根据所述模糊社交关系列表确定用户之间的好友模糊相似度推荐概率。
4.根据权利要求1所述的方法，其特征在于，所述根据目标区域的兴趣点的历史访问人数以及用户的实际地理位置，基于设定的地理位置隐私保护算法，确定虚拟圆半径，包括：
根据所述目标区域的兴趣点的历史访问人数确定所述兴趣点的人口密度；
根据所述人口密度以及用户的实际地理位置，基于设定的地理位置隐私保护算法，确定虚拟圆半径。
5.根据权利要求1所述的方法，其特征在于，所述根据所述虚拟圆确定所述用户之间的地理位置距离推荐概率，包括：
根据所述虚拟圆以及设定的随机向量，将用户的实际地理位置更新为与所述设定的随机向量对应的随机点；
根据所述虚拟圆以及所述随机点确定任意两个兴趣点之间的实际距离；
根据所述实际距离确定所述用户之间的地理位置距离推荐概率。
6.根据权利要求1所述的方法，其特征在于，所述根据所述好友模糊相似度推荐概率以及所述地理位置距离推荐概率，向用户推荐兴趣点包括：
获取用户相似度推荐概率；
分别给所述用户相似度推荐概率、所述好友模糊相似度推荐概率以及所述地理位置距离推荐概率设置对应的权重，获取推荐概率；
根据所述推荐概率向用户推荐兴趣点。
7.根据权利要求1所述的方法，其特征在于，所述根据所述好友模糊相似度推荐概率以及所述地理位置距离推荐概率，向用户推荐兴趣点之后，还包括：
应用目标函数通过计算微分熵以确定信息保护度，其中，所述信息保护度包括在标准用户推荐系统中加入了模糊社会关系以及模糊地理位置之后的信息增量，所述模糊社会关系满足所述好友模糊相似度推荐概率的条件，所述模糊地理位置满足所述地理位置推荐概率的条件。
8.根据权利要求1所述的方法，其特征在于，所述差分隐私噪声因子满足设定的差分隐私条件。
9.一种兴趣点的推荐装置，其特征在于，包括：
信息获取模块，用于获取差分隐私噪声因子；
第一概率确定模块，用于根据所述差分隐私噪声因子，基于设定的社交关系隐私保护算法确定用户之间的好友模糊相似度推荐概率；
虚拟圆半径确定模块，用于根据目标区域的兴趣点的历史访问人数以及目标用户的实际地理位置，基于设定的地理位置隐私保护算法，确定虚拟圆半径，其中，所述虚拟圆对应的区域为所述用户的隐私区域；
第二概率确定模块，用于根据所述虚拟圆确定所述用户之间的地理位置距离推荐概率；
兴趣点推荐模块，用于根据所述好友模糊相似度推荐概率以及所述地理位置距离推荐概率，向用户推荐兴趣点。
10.根据权利要求9所述的装置，其特征在于，所述信息获取模块具体用于：
删除用户的至少一个朋友关系链接，生成所述用户的新的邻居集；
根据所述新的邻居集获取差分隐私噪声因子。
CN201811234242.1A 2018-10-23 2018-10-23 兴趣点的推荐方法和装置 Expired - Fee Related CN109284449B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811234242.1A CN109284449B (zh) 2018-10-23 2018-10-23 兴趣点的推荐方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811234242.1A CN109284449B (zh) 2018-10-23 2018-10-23 兴趣点的推荐方法和装置

Publications (2)

Publication Number Publication Date
CN109284449A true CN109284449A (zh) 2019-01-29
CN109284449B CN109284449B (zh) 2020-06-16

Family

ID=65178378

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811234242.1A Expired - Fee Related CN109284449B (zh) 2018-10-23 2018-10-23 兴趣点的推荐方法和装置

Country Status (1)

Country Link
CN (1) CN109284449B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110134879A (zh) * 2019-03-06 2019-08-16 辽宁工业大学 一种基于差分隐私保护的兴趣点推荐算法
CN110611667A (zh) * 2019-09-02 2019-12-24 深圳市赛梅斯凯科技有限公司 边缘计算环境下动态的位置隐私保护方法及装置
CN112800458A (zh) * 2021-01-26 2021-05-14 华南理工大学 社交网络中基于用户间关系强度的轨迹隐私保护方法
CN114143044A (zh) * 2021-11-10 2022-03-04 广州大学 一种网络攻击方法、装置、设备及存储介质
CN115408618A (zh) * 2022-09-26 2022-11-29 南京工业职业技术大学 一种基于社交关系融合位置动态流行度和地理特征的兴趣点推荐方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100076976A1 (en) * 2008-09-06 2010-03-25 Zlatko Manolov Sotirov Method of Automatically Tagging Image Data
CN101771957A (zh) * 2008-12-26 2010-07-07 中国移动通信集团公司 一种用户兴趣点确定方法与装置
CN101917664A (zh) * 2010-08-10 2010-12-15 华为终端有限公司 信息提供方法、装置和一种移动终端
CN102594905A (zh) * 2012-03-07 2012-07-18 南京邮电大学 一种基于场景的社交网络位置兴趣点推荐方法
US20130267249A1 (en) * 2012-04-10 2013-10-10 Sense Networks, Inc. User Description Based on Contexts of Location and Time
CN103900591A (zh) * 2012-12-25 2014-07-02 上海博泰悦臻电子设备制造有限公司 沿导航路线周边精确检索兴趣点的导航方法和装置
CN104102667A (zh) * 2013-04-11 2014-10-15 北京四维图新科技股份有限公司 一种poi信息差分方法和装置
CN104394509A (zh) * 2014-11-21 2015-03-04 西安交通大学 一种高效的差分扰动位置隐私保护系统及方法
CN107220312A (zh) * 2017-05-12 2017-09-29 华中科技大学 一种基于共现图的兴趣点推荐方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100076976A1 (en) * 2008-09-06 2010-03-25 Zlatko Manolov Sotirov Method of Automatically Tagging Image Data
CN101771957A (zh) * 2008-12-26 2010-07-07 中国移动通信集团公司 一种用户兴趣点确定方法与装置
CN101917664A (zh) * 2010-08-10 2010-12-15 华为终端有限公司 信息提供方法、装置和一种移动终端
CN102594905A (zh) * 2012-03-07 2012-07-18 南京邮电大学 一种基于场景的社交网络位置兴趣点推荐方法
US20130267249A1 (en) * 2012-04-10 2013-10-10 Sense Networks, Inc. User Description Based on Contexts of Location and Time
CN103900591A (zh) * 2012-12-25 2014-07-02 上海博泰悦臻电子设备制造有限公司 沿导航路线周边精确检索兴趣点的导航方法和装置
CN104102667A (zh) * 2013-04-11 2014-10-15 北京四维图新科技股份有限公司 一种poi信息差分方法和装置
CN104394509A (zh) * 2014-11-21 2015-03-04 西安交通大学 一种高效的差分扰动位置隐私保护系统及方法
CN107220312A (zh) * 2017-05-12 2017-09-29 华中科技大学 一种基于共现图的兴趣点推荐方法及系统

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110134879A (zh) * 2019-03-06 2019-08-16 辽宁工业大学 一种基于差分隐私保护的兴趣点推荐算法
CN110611667A (zh) * 2019-09-02 2019-12-24 深圳市赛梅斯凯科技有限公司 边缘计算环境下动态的位置隐私保护方法及装置
CN110611667B (zh) * 2019-09-02 2022-04-12 锦图计算技术(深圳)有限公司 边缘计算环境下动态的位置隐私保护方法及装置
CN112800458A (zh) * 2021-01-26 2021-05-14 华南理工大学 社交网络中基于用户间关系强度的轨迹隐私保护方法
CN112800458B (zh) * 2021-01-26 2022-06-14 华南理工大学 社交网络中基于用户间关系强度的轨迹隐私保护方法
CN114143044A (zh) * 2021-11-10 2022-03-04 广州大学 一种网络攻击方法、装置、设备及存储介质
CN114143044B (zh) * 2021-11-10 2023-10-31 广州大学 一种网络项目推荐方法、装置、设备及存储介质
CN115408618A (zh) * 2022-09-26 2022-11-29 南京工业职业技术大学 一种基于社交关系融合位置动态流行度和地理特征的兴趣点推荐方法
CN115408618B (zh) * 2022-09-26 2023-10-20 南京工业职业技术大学 一种基于社交关系融合位置动态流行度和地理特征的兴趣点推荐方法

Also Published As

Publication number Publication date
CN109284449B (zh) 2020-06-16

Similar Documents

Publication Publication Date Title
CN109284449A (zh) 兴趣点的推荐方法和装置
Yin et al. Modeling location-based user rating profiles for personalized recommendation
Yin et al. LCARS: A spatial item recommender system
Li et al. Mining user similarity based on location history
Ye et al. Exploiting geographical influence for collaborative point-of-interest recommendation
US8473512B2 (en) Dynamic profile slice
Quercia et al. Friendsensing: recommending friends using mobile phones
US8208943B2 (en) Anonymous crowd tracking
US20120047152A1 (en) System and method for profile tailoring in an aggregate profiling system
US20120066212A1 (en) Monitoring hashtags in micro-blog posts to provide one or more crowd-based features
Zhao et al. A novel recommendation system in location-based social networks using distributed ELM
CN106971345A (zh) 一种基于位置社交网络的地点推荐方法
Yao Exploiting human mobility patterns for point-of-interest recommendation
Cai et al. An efficient location recommendation scheme based on clustering and data fusion
Rahimi et al. Behavior-based location recommendation on location-based social networks
Zhao et al. Social discovery: Exploring the correlation among three-dimensional social relationships
Tian et al. Privacy-preserving social tie discovery based on cloaked human trajectories
Qiao et al. Recommending nearby strangers instantly based on similar check-in behaviors
Zhang et al. Improving augmented reality using recommender systems
US20240152563A9 (en) Sytem and method for filtering and creating points-of-interest
Li et al. A location-aware recommender system for Tourism mobile commerce
Jin et al. Research on social recommendation algorithm based on fuzzy subjective trust
Lu et al. A novel method for location privacy protection in LBS applications
Zhao et al. EPLA: efficient personal location anonymity
Huang et al. On interesting place finding in social sensing: An emerging smart city application paradigm

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CB03 Change of inventor or designer information

Inventor after: Zeng Yifeng

Inventor after: Huo Yongfeng

Inventor after: Chen Bilian

Inventor after: Cao Langcai

Inventor before: Zeng Yifeng

Inventor before: Chen Bilian

Inventor before: Huo Yongfeng

Inventor before: Cao Langcai

CB03 Change of inventor or designer information
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200616

CF01 Termination of patent right due to non-payment of annual fee