CN110008402A - 一种基于社交网络的去中心化矩阵分解的兴趣点推荐方法 - Google Patents

Abstract

本发明公开了一种基于社交网络的去中心化矩阵分解的兴趣点推荐方法，包括：(1)将用户浏览兴趣点的签到数据存储在每个用户自己的用户端；(2)用户在自己的用户端训练模型。通过上述方式，本发明基于社交网络的去中心化矩阵分解的兴趣点推荐方法通过将用户对兴趣点的签到数据保存在自己的用户端，并且在用户端进行矩阵分解模型的训练，解决了集中式矩阵分解模型存储和计算资源浪费的问题，不存在用户个人隐私泄露的风险，从而实现了保护隐私、提高安全系数的功能，在基于社交网络的去中心化矩阵分解的兴趣点推荐方法的普及上有着广泛的市场前景。

Description

一种基于社交网络的去中心化矩阵分解的兴趣点推荐方法

技术领域

本发明涉及互联网领域，特别是涉及一种基于社交网络的去中心化矩阵分解的兴趣点推荐方法。

背景技术

近年来，随着移动互联网技术的迅猛发展，定位系统和移动社交网络不断发展起来，人们可以更加容易地浏览各个城市的酒店、电影院、超市等兴趣点(简称为POI)，由此，大量的位置信息呈现在人们面前，这些信息记录了人们的历史活动情况，比如：大众网、美团网上对餐厅、KTV等的评价信息，携程网、去哪网和同程旅游网上对酒店的评价信息等。大量的位置信息满足了人们在大数据时代对信息的需求，但是，也由此带来了信息过载和信息使用效率下降的问题。个性化兴趣点推荐作为解决这些问题的一种有效方法受到了广泛的关注。

目前，个性化兴趣点推荐方法已经日益完善，其中，协同过滤技术可谓是主流方法，而矩阵分解技术(MF)通常比基于用户或项目的协同过滤方法更为有效，它能使我们能够发现隐藏在用户和兴趣点之间的交互潜在特征，在许多推荐应用中都得到了良好的运用。

传统的POI推荐算法中的矩阵分解方法都是先构建一个推荐系统平台，将所有用户对所有兴趣点的签到信息收集到这样的服务器中，然后利用这些数据来构建一个矩阵分解模型，我们称这种方法为集中式矩阵分解模型。这种模型存在几个弊端，由于所有的用户的兴趣点签到信息需要收集存储在一个集中式的服务器中，而且必须在集中式服务器上进行模型的训练，所以，浪费了存储资源和计算资源。更重要的是，所有用户的签到信息都被集中式服务端获取了，用户的偏好信息也会通过集中式服务端泄露给恶意攻击者，这就造成了用户个人隐私泄露的问题。通过这些个人兴趣点签到数据，攻击者能分析出用户的个人偏好，行为模式，生活习惯等个人隐私，存在极大的安全隐患。

发明内容

本发明主要解决的技术问题是提供一种基于社交网络的去中心化矩阵分解的兴趣点推荐方法，通过将用户对兴趣点的签到数据保存在自己的用户端，比如：手机或者pad上，而不是向集中式服务端上传，并且在用户端进行矩阵分解模型的训练，这样就解决了集中式矩阵分解模型存储和计算资源浪费的问题，更重要的是，每个用户的签到数据都保存在每个用户端，并且在各自用户端进行模型的训练，先利用移动社交网中每个用户的社交关系图，分析用户之间的亲密度，通过与最亲密的朋友之间进行交互非原始签到数据进行协同完成模型的训练，所以不存在用户个人隐私泄露的风险，从而实现了保护隐私、提高安全系数的功能，在基于社交网络的去中心化矩阵分解的兴趣点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，本发明提供一种基于社交网络的去中心化矩阵分解的兴趣点推荐方法，包括以下步骤：

(1)将用户浏览兴趣点的签到数据存储在每个用户自己的用户端：

定义表示用户集合，表示兴趣点集合，共有M个用户和N个兴趣点，(u_i，p_j)表示第i个用户对第j个兴趣点的签到信息或者评价信息，其中用R_M×N表示用户POI签到矩阵，并且用r_ij∈R_M×N表示用户u_i对兴趣点p_j的签到信息或者评价信息；

(2)用户在自己的用户端训练模型

由于亲密的朋友访问的兴趣点具有很强的相似性，因此利用亲密的朋友之间进行信息的交互，来协助完成模型的训练，即：当一个用户对某个兴趣点有访问行为的时候，该用户的潜在向量以及该兴趣点的全局潜在向量都会通过梯度进行更新，与此同时，该用户将对该兴趣点全局潜在向量的梯度发送给他的朋友，这些朋友拿到该兴趣点全局潜在向量的梯度之后，保存在这些朋友的用户端的该兴趣点的全局潜在向量也会得到相应更新，从而完成模型的训练，

定义U_M×K表示用户潜在特征矩阵，每一行表示用户u_i的K维潜在特征向量，V_M×N×K表示兴趣点潜在特征张量，表示用户u_i的兴趣点潜在特征矩阵，表示用户u_i对兴趣点p_j的K维潜在特征向量，为了保证每个用户的隐私保护，在整个训练过程中，需要保证每个用户对兴趣点的签到次数或者评价信息和潜在特征都保存在每个用户自己的用户端，因此，每个用户u_i只需要保存他的K维潜在特征向量和POI潜在特征矩阵

将用户的POI签到信息分解为用户偏好潜在向量和POI偏好潜在向量即：

对于每个用户u_i，POI的潜在特征向量可以分解为：

其中表示全局潜在特征矩阵，其表示所有用户的共同偏好，表示私有潜在特征矩阵，其表示用户u_i的个人偏好，

那么基于社交网络的去中心化矩阵分解的兴趣点推荐方法的目标函数可以表示为：

其中，表示矩阵的罗贝尼乌斯范数的平方，

向量和只依赖于保存在用户u_i用户端中的信息，而不仅依赖于用户u_i用户端中的信息，也依赖于用户u_i的朋友用户的用户端中的信息，其中通过交换协议来交换用户之间的信息，从而学习POI全局潜在特征向量所述交换协议通过发送每个用户u_i的目标函数关于的梯度给他的朋友用户u_i′，来学习全局POI潜在特征向量

在本发明一个较佳实施例中，步骤(2)中所述交换协议中，对于每个用户u_i的目标函数关于U_i，和的梯度分别为：

本发明的有益效果是：将用户对兴趣点的签到数据保存在自己的用户端，比如：手机或者pad上，而不是向集中式服务端上传，并且在用户端进行矩阵分解模型的训练，这样就解决了集中式矩阵分解模型存储和计算资源浪费的问题，更重要的是，每个用户的签到数据都保存在每个用户端，并且在各自用户端进行模型的训练，先利用移动社交网中每个用户的社交关系图，分析用户之间的亲密度，通过与最亲密的朋友之间进行交互非原始签到数据进行协同完成模型的训练，所以不存在用户个人隐私泄露的风险，从而实现了保护隐私、提高安全系数的功能。

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是现有技术中基于集中式矩阵分解的兴趣点推荐方法一较佳实施例的示意图；

图2是本发明的基于社交网络的去中心化矩阵分解的兴趣点推荐方法一较佳实施例的示意图。

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-图2，本发明实施例包括：

一种基于社交网络的去中心化矩阵分解的兴趣点推荐方法，包括以下步骤：

(1)将用户浏览兴趣点的签到数据存储在每个用户自己的用户端：

定义表示用户集合，表示兴趣点集合，共有M个用户和N个兴趣点，(u_i，p_j)表示第i个用户对第j个兴趣点的签到信息或者评价信息，其中用R_M×N表示用户POI签到矩阵，并且用r_ij∈R_M×N表示用户u_i对兴趣点p_j的签到信息或者评价信息；

(2)用户在自己的用户端训练模型

由于亲密的朋友访问的兴趣点具有很强的相似性，因此利用亲密的朋友之间进行信息的交互，来协助完成模型的训练，即：当一个用户对某个兴趣点有访问行为的时候，该用户的潜在向量以及该兴趣点的全局潜在向量都会通过梯度进行更新，与此同时，该用户将对该兴趣点全局潜在向量的梯度发送给他的朋友，这些朋友拿到该兴趣点全局潜在向量的梯度之后，保存在这些朋友的用户端的该兴趣点的全局潜在向量也会得到相应更新，从而完成模型的训练，

定义U_M×K表示用户潜在特征矩阵，每一行表示用户u_i的K维潜在特征向量，V_M×N×K表示兴趣点潜在特征张量，表示用户u_i的兴趣点潜在特征矩阵，表示用户u_i对兴趣点p_j的K维潜在特征向量，为了保证每个用户的隐私保护，在整个训练过程中，需要保证每个用户对兴趣点的签到次数或者评价信息和潜在特征都保存在每个用户自己的用户端，因此，每个用户u_i只需要保存他的K维潜在特征向量和POI潜在特征矩阵

将用户的POI签到信息分解为用户偏好潜在向量和POI偏好潜在向量即：

对于每个用户u_i，POI的潜在特征向量可以分解为：

其中表示全局潜在特征矩阵，其表示所有用户的共同偏好，表示私有潜在特征矩阵，其表示用户u_i的个人偏好，

那么基于社交网络的去中心化矩阵分解的兴趣点推荐方法的目标函数可以表示为：

其中，表示矩阵的罗贝尼乌斯范数的平方，

向量和只依赖于保存在用户u_i用户端中的信息，而不仅依赖于用户u_i用户端中的信息，也依赖于用户u_i的朋友用户的用户端中的信息，其中通过交换协议来交换用户之间的信息，从而学习POI全局潜在特征向量所述交换协议通过发送每个用户u_i的目标函数关于的梯度给他的朋友用户u_i′，来学习全局POI潜在特征向量

优选地，步骤(2)中所述交换协议中，对于每个用户u_i的目标函数关于U_i，和的梯度分别为：

本发明在两个真实的数据集上进行了测试，分别为Gowalla数据集和Yelp数据集，这两个数据集都是比较常用的用来评估POI推荐模型的数据集。

数据集的细节如下表：

；实验中，用户调用POI的签到数据或者评价数据用M×N的用户-POI矩阵表示，其中0值表示用户还尚未访问过的地点，即需要通过模型训练预测出的签到数据或者评价值。因为在我们的去中心化矩阵分解模型训练中，有2M×R_K×NPOI潜在矩阵(全局POI潜在特征矩阵和私有POI潜在特征矩阵)，所以本实验先将有过多或者过少记录的用户和POI删除，然后随机选取1000个用户和1000个POI的签到数据和评价数据，随机选取部分数据作为测试集，保存小数据密度的签到数据作为训练集，比如：数据密度＝10％，表示用户仅对10％的POI进行过签到。

最后，本实验使用RMSE(均方根误差)和MAE(平均绝对误差)来评价本发明SDMF方法的准确性：

其中，r_ij表示测试集中用户u_i对的签到数据，r′_ij表示训练预测得到的用户u_i对的签到数据，|T|表示测试集中值的个数，RMSE和MAE越小，预测准确性就越高。

为了验证本发明的可行性和有效性，本实验将本发明的方法(SDMF)与下列三个集中式矩阵分解方法进行比较：

MF：是最基础的集中式矩阵分解方法；

RMF：是基于数据随机模糊保护隐私的集中式矩阵分解方法，用户运用数据随机化技术来随机模糊他们签到数据，具体而言，每个用户在原始的签到数据上加上一定范围的随机数，然后发送给推荐系统集中进行模型的训练。

LMF：是基于差分隐私技术的保护隐私的集中式矩阵分解方法。

通过对比实验，我们发现本发明在准确性方面有着很好的效果，而且在模型训练过程中，用户对POI的签到数据保存在用户端，不用集中上传给服务端，这样就减少了存储资源浪费；模型的训练也在用户端完成，朋友用户之间通过交互梯度来完成模型的协同训练，也大大减少了计算资源的浪费；每个用户对POI的签到数据保存在用户端，很好的保护了用户的个人隐私。

本发明基于社交网络的去中心化矩阵分解的兴趣点推荐方法的有益效果是：

通过将用户对兴趣点的签到数据保存在自己的用户端，比如：手机或者pad上，而不是向集中式服务端上传，并且在用户端进行矩阵分解模型的训练，这样就解决了集中式矩阵分解模型存储和计算资源浪费的问题，更重要的是，每个用户的签到数据都保存在每个用户端，并且在各自用户端进行模型的训练，先利用移动社交网中每个用户的社交关系图，分析用户之间的亲密度，通过与最亲密的朋友之间进行交互非原始签到数据进行协同完成模型的训练，所以不存在用户个人隐私泄露的风险，从而实现了保护隐私、提高安全系数的功能。

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 (2)

1.一种基于社交网络的去中心化矩阵分解的兴趣点推荐方法，其特征在于，包括以下步骤：

(1)将用户浏览兴趣点的签到数据存储在每个用户自己的用户端：

定义表示用户集合，表示兴趣点集合，共有M个用户和N个兴趣点，(u_i,p_j)表示第i个用户对第j个兴趣点的签到信息或者评价信息，其中用R_M×N表示用户POI签到矩阵，并且用表示用户u_i对兴趣点p_j的签到信息或者评价信息；

(2)用户在自己的用户端训练模型:

由于亲密的朋友访问的兴趣点具有很强的相似性，因此利用亲密的朋友之间进行信息的交互，来协助完成模型的训练，即：当一个用户对某个兴趣点有访问行为的时候，该用户的潜在向量以及该兴趣点的全局潜在向量都会通过梯度进行更新，与此同时，该用户将对该兴趣点全局潜在向量的梯度发送给他的朋友，这些朋友拿到该兴趣点全局潜在向量的梯度之后，保存在这些朋友的用户端的该兴趣点的全局潜在向量也会得到相应更新，从而完成模型的训练，

定义U_M×K表示用户潜在特征矩阵，每一行表示用户u_i的K维潜在特征向量，V_M×N×K表示兴趣点潜在特征张量，表示用户u_i的兴趣点潜在特征矩阵，表示用户u_i对兴趣点p_j的K维潜在特征向量，为了保证每个用户的隐私保护，在整个训练过程中，需要保证每个用户对兴趣点的签到次数或者评价信息和潜在特征都保存在每个用户自己的用户端，因此，每个用户u_i只需要保存他的K维潜在特征向量和POI潜在特征矩阵

将用户的POI签到信息分解为用户偏好潜在向量和POI偏好潜在向量即：

对于每个用户u_i，POI的潜在特征向量可以分解为：

其中表示全局潜在特征矩阵，其表示所有用户的共同偏好，表示私有潜在特征矩阵，其表示用户u_i的个人偏好，

那么基于社交网络的去中心化矩阵分解的兴趣点推荐方法的目标函数可以表示为：

其中，表示矩阵的罗贝尼乌斯范数的平方，

向量和只依赖于保存在用户u_i用户端中的信息，而不仅依赖于用户u_i用户端中的信息，也依赖于用户u_i的朋友用户的用户端中的信息，其中通过交换协议来交换用户之间的信息，从而学习POI全局潜在特征向量所述交换协议通过发送每个用户u_i的目标函数关于的梯度给他的朋友用户u_i′，来学习全局POI潜在特征向量

2.根据权利要求1所述的基于社交网络的去中心化矩阵分解的兴趣点推荐方法，其特征在于，步骤(2)中所述交换协议中，对于每个用户u_i的目标函数关于U_i，和的梯度分别为：