CN111177781A - 一种基于异构信息网络嵌入的差分隐私推荐方法 - Google Patents

一种基于异构信息网络嵌入的差分隐私推荐方法 Download PDF

Info

Publication number
CN111177781A
CN111177781A CN201911393712.3A CN201911393712A CN111177781A CN 111177781 A CN111177781 A CN 111177781A CN 201911393712 A CN201911393712 A CN 201911393712A CN 111177781 A CN111177781 A CN 111177781A
Authority
CN
China
Prior art keywords
heterogeneous
attention
differential privacy
learning
sensitivity
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.)
Pending
Application number
CN201911393712.3A
Other languages
English (en)
Inventor
李建欣
傅星珵
季诚
孙庆赟
董翔宇
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.)
Beihang University
Original Assignee
Beihang 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 Beihang University filed Critical Beihang University
Priority to CN201911393712.3A priority Critical patent/CN111177781A/zh
Publication of CN111177781A publication Critical patent/CN111177781A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
    • G06F21/6263—Protecting personal data, e.g. for financial or medical purposes during internet communication, e.g. revealing personal data from cookies
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9536—Search customisation based on social or collaborative filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioethics (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明实现了一套基于异构信息网络嵌入的差分隐私推荐方法，方案通过四个步骤：利用HAN进行网络表示学习，利用HAN的表征和注意力权重结果计算异构注意力敏感度；基于差分隐私定义，使用异构注意力敏感度生成相应的随机噪声，通过异构注意力随机扰动机制生成随机噪声矩阵；构造异构信息嵌入的差分隐私推荐的目标函数进行学习，得到预测评分矩阵；输出所述评分矩阵作为能够保持隐私的预测评分，从而实现针对异构信息网络下推荐系统场景，对原始评分数据进行保护，防止攻击者利用其他渠道获取的异构信息网络数据来提高推理攻击能力，并可以通过观察评分的推荐结果变化，以较高概率猜测或重新学习出原始评分数据。

Description

一种基于异构信息网络嵌入的差分隐私推荐方法
技术领域
本发明涉及推荐系统以及隐私保护领域，尤其涉及一种基于异构信息网络嵌入的差分隐私推荐方法。
背景技术
异构信息网络(Heterogeneous Information Network)在处理异构网络数据得到了广泛的应用，能够教好的融合异构的网络或图数据，同时在下游任务重拥有较好的性能和表现，被广泛用于朋友、商品等推荐任务中。基于协同过滤方法的推荐系统工作中，异构信息网络拥有能够融合不同类型节点、不同语义关系而吸引了越来越多工作的关注。在真实世界中，推荐系统的应用场景通常包含了广泛、多样并且复杂的网络结构信息，融合多种异构信息的异构信息网络表示方法，能很好将辅助信息(Side Information)作为目标数据的补充加强学习效果。但是相对的对于隐私保护领域，辅助信息的引入导致攻击者的推理能力变得更强。在流行的隐私保护模型中，例如差分隐私，是基于数据是独立同分布的假设的。数据和数据之间相互独立，因此差分隐私在对数据的查询(学习)结果加入随机噪声，使得攻击者不能通过多次观察随机扰动后的结果准确的反推出原始数据。因此异构信息的关联性的引入，使得数据之间不再独立，甚至存在更丰富更多类型的依赖关联。这些丰富的关联信息除了带来更好的推荐效果，但是也会肆无忌惮破坏传统隐私保护的能力。因此需要设计一种新的隐私保护机制，在保证隐私要求的前提下，更好的利用异构关联信息提升推荐效果。
发明内容
本发明主要针对异构信息网络下推荐系统场景，对原始评分数据(用于训练的评分数据)进行保护，防止攻击者利用其他渠道获取的异构信息网络数据来提高推理攻击能力，通过观察评分的推荐结果变化，以较高概率猜测或重新学习出原始评分数据。异构信息网络使用元路径定义的游走规则，对将异构图作为同构图进行游走，引入了大量不同类型节点之的连通性(关联性)。
本发明采用了下列技术方案：
一种基于异构信息网络嵌入的差分隐私推荐方法，包括；
步骤一：利用HAN进行网络表示学习，利用HAN的表征和注意力权重结果计算异构注意力敏感度；
步骤二：基于差分隐私定义，使用异构注意力敏感度生成相应的随机噪声，通过异构注意力随机扰动机制生成随机噪声矩阵；
步骤三：构造异构信息嵌入的差分隐私推荐的目标函数进行学习，得到预测评分矩阵；
步骤四：输出所述评分矩阵作为能够保持隐私的预测评分。
步骤一包括：
输入训练数据集；
基于HAN模型对异构信息网络进行表示学习：在meta-graph中过滤除用户、项目以外其他类型的节点，得到只包含用户和项目节点的meta-path，对于每个所述节点，利用HAN模型得出的嵌入表征和meta-path的注意力权重表示他们的关联关系，获得用户节点表示和项目节点表示；
同时，基于所述注意力权重计算异构注意力敏感度，具体的：使用随机游走的方式得到固定窗口长度的序列，并使用注意力机制学习节点间注意力的节点表征和注意力权重，以及考虑多个元结构之间的最终节点表征和注意力权重，基于上述异构网络学习的结果，利用节点的embedding和meta-path的注意力权重，设计并计算异构注意力敏感度；
步骤二包括：
通过异构注意力敏感度来等价表示其需要分配的隐私预算，用于生成服从拉普拉斯分布的用户噪声矩阵和项目噪声矩阵，以满足存在数据关联的差分隐私要求。
步骤三包括：
在用户节点和项目节点的基础上，根据所述异构注意力敏感度计算的随机噪声分布，生成相应的随机噪声向量，将所述噪声引入目标函数，并使用经典的随机梯度下降方法进行学习，得到评分矩阵。
本发明相对于现有技术的优点在于：
(1)基于HAN模型方法，能够很好的学习到节点和节点邻居之间的概率相关性，其中多层次的注意力能够很好的表示节点邻居对其影响的重要性。
(2)基于注意力设计的异构注意力敏感度，能够学习到用户和项目的隐私预算分配参数，有效的缓解关联性数据很快耗尽差分隐私的隐私预算造成的隐私泄露。
(3)针对异构信息网络的推荐任务，提出的异构信息关联的随机扰动机制，能够保证推荐结果能够满足差分隐私的安全要求，保证原始数据不被攻击者通过观察(反推理)准确的猜测或反向学习到。
(4)Meta-graph的方法包含着语义，结合注意力机制学习到重要性权重，具有很好的可解释性，能够直观的展示用户原始敏感信息强相关的其他潜在信息，能够为用户隐私安全策略提供反馈和引导作用。
附图说明
图1整体流程图；
具体实施方式
参见说明书附图1，本发明提出一种基于异构信息网络嵌入的差分隐私推荐方法，针对异构信息网络下推荐系统场景，对原始评分数据(用于训练的评分数据)进行保护，防止攻击者利用其他渠道获取的异构信息网络数据来提高推理攻击能力，通过观察评分的推荐结果变化，以较高概率猜测或重新学习出原始评分数据。异构信息网络使用元路径定义的游走规则，对将异构图作为同构图进行游走，引入了大量不同类型节点之的连通性(关联性)。
步骤一：利用HAN进行网络表示学习，利用HAN的表征和注意力权重结果计算异构注意力敏感度：
在推荐系统场景中，我们只关注用户-用户、项目-项目、用户-项目(评分)三种关系，因此在meta-graph中，我们可以过滤掉除了用户、项目以外其他类型的节点，得到只包含用户和项目节点的meta-path。对于每个节点，我们可以利用HAN模型得出的嵌入表征(embedding)和meta-path的注意力权重可以表示他们的依赖(关联)关系。
在这里，我们假设对于包含m个用户的集合U和n个项目的集合V，有原始评分数据
Figure BDA0002345702270000031
和异构信息网络
Figure BDA0002345702270000032
且
Figure BDA0002345702270000033
或n，原始评分
Figure BDA0002345702270000034
为需要保护的敏感数据。我们通过HAN可以很好的从
Figure BDA0002345702270000041
学习到数据的结构(关联)信息的embedding，并融合到推荐学习和隐私保护机制中。
所述HAN模型具体为：
首先，初始化异构信息网络中每个节点，将每个节点
Figure BDA0002345702270000042
通过线性变换M映射到统一的潜在特征空间：
h′＝Mφ·h
Meta-pathφ中的节点i和j的节点对的重要度计算为：
Figure BDA0002345702270000043
计算归一化权重：
Figure BDA0002345702270000044
对于每个节点
Figure BDA0002345702270000045
给出meta-path集合{φ0，φ1，φ2...φP}，都有节点的嵌入表征为：
Figure BDA0002345702270000046
其中
Figure BDA0002345702270000047
为节点i在meta-pathφ中的邻居集(包括自己)。
类似的，通过以下方法可以计算meta-path之间的重要性、注意力权重和meta-path的嵌入表征：
Figure BDA0002345702270000048
βφi＝softmax(wφ)
Figure BDA0002345702270000049
步骤二：基于差分隐私定义，使用异构注意力敏感度生成相应的随机噪声，通过异构注意力随机扰动机制生成随机噪声矩阵：
HAN模型在对异构信息网络表征学习时，基于元结构的设定转移策略，使用随机游走的方式得到固定窗口长度的序列，并使用注意力机制学习节点间注意力的节点表征和注意力权重，以及考虑多个元结构之间的最终节点表征和注意力权重。基于上述异构网络学习的结果，我们利用节点的embedding和meta-path的注意力权重，设计异构注意力敏感度，形式化表述如下。
对于每条meta-pathφ有注意力权重βφ，我们对任意节点
Figure BDA0002345702270000051
使用节点的嵌入表征的内积作为相关性度量，再结合节点间和meta-path间的注意力权重，其异构注意力系数为：
Figure BDA0002345702270000052
由ci可得对节点i分配∈/ci的隐私预算，我们可以用异构注意力敏感度来等价表示，假设存在一个
Figure BDA0002345702270000053
的邻居数据集
Figure BDA0002345702270000054
他们相差一个评分r′。针对推荐系统场景，对评分数据的查询可以规约为O(n)的查询(我们以求和查询Sum为例，其他基本查询可以由求和查询推广)，根据差分隐私的敏感度定义，有异构注意力敏感度为：
Figure BDA0002345702270000055
对于每个节点生成的噪声向量ηi∈N，生成服从拉普拉斯分布的随机噪声：
Figure BDA0002345702270000056
在这里我们不需要在对用户因子矩阵和项目因子矩阵分别分配隐私预算∈。原因是在使用HAN模型对异构信息网络的表征中，我们将用户-用户、项目-项目以及用户-项目节点同时学习训练，因此用户节点和项目节点最后的embedding处于同一潜在特征空间，注意力机制能够自动学习节点之间的注意力权重
Figure BDA0002345702270000057
以及meta-path注意力权重βφ，且都是标准化参数，因此能分别表示用户因子和项目因子邻居依赖的权重。
步骤三：构造异构信息嵌入的差分隐私推荐的目标函数进行学习，得到预测评分矩阵：
对于融合异构信息网络表征推荐模型，我们基于以下矩阵分解方法进行推荐评分学习。方法介绍如下，预测评分计算为：
Figure BDA0002345702270000058
矩阵分解推荐的目标函数为：
Figure BDA0002345702270000061
本发明基于矩阵分解的推荐方法，根据上一节介绍的异构注意力敏感度计算的随机噪声分布，生成相应的随机噪声向量
Figure BDA0002345702270000062
和
Figure BDA0002345702270000063
则噪声像可以表示为：
Figure BDA0002345702270000064
我们将噪声引入目标函数如下：
Figure BDA0002345702270000065
其中
Figure BDA0002345702270000066
为：
Figure BDA0002345702270000067
由于噪声本身会导致学习向欠拟合方向偏移，因此噪声不需要加入正则项。学习过程使用经典的随机梯度下降方法，这里不做赘述。
本发明技术方案基于异构图注意力网络(HAN)方法，针对异构网络的表征学习，设计一种异构注意力敏感度的方法，用于衡量异构图表征中引入的关联信息引发隐私泄露风险。针对异构信息网络的推荐系统，基于元结构方法提出了考虑异构信息关联的异构注意力随机扰动机制，利用异构注意力敏感度生成满足差分隐私要求的随机噪声，保护在异构信息网络推荐过程中的数据隐私。
最后通过异构信息嵌入的差分隐私推荐学习，学习到能够保持隐私的预测评分。
步骤四：对上述评分通过模型对外接口进行输出，进而展示用户原始敏感信息强相关的其他潜在信息，为用户隐私安全策略提供反馈和引导作用。

Claims (4)

1.一种基于异构信息网络嵌入的差分隐私推荐方法，其特征在于：包括；
步骤一：利用HAN进行网络表示学习，利用HAN的表征和注意力权重结果计算异构注意力敏感度；
步骤二：基于差分隐私定义，使用异构注意力敏感度生成相应的随机噪声，通过异构注意力随机扰动机制生成随机噪声矩阵；
步骤三：构造异构信息嵌入的差分隐私推荐的目标函数进行学习，得到预测评分矩阵；
步骤四：输出所述评分矩阵作为能够保持隐私的预测评分。
2.根据权利要求1所述的一种基于异构信息网络嵌入的差分隐私推荐方法，其特征在于：所述利用HAN进行网络表示学习步骤包括：
输入训练数据集；
基于HAN模型对异构信息网络进行表示学习：在meta-graph中过滤除用户、项目以外其他类型的节点，得到只包含用户和项目节点的meta-path，对于每个所述节点，利用HAN模型得出的嵌入表征和meta-path的注意力权重表示他们的关联关系，获得用户节点表示和项目节点表示；
同时，基于所述注意力权重计算异构注意力敏感度，具体的：使用随机游走的方式得到固定窗口长度的序列，并使用注意力机制学习节点间注意力的节点表征和注意力权重，以及考虑多个元结构之间的最终节点表征和注意力权重，基于上述异构网络学习的结果，利用节点的embedding和meta-path的注意力权重，设计并计算异构注意力敏感度。
3.根据权利要求2所述的一种基于异构信息网络嵌入的差分隐私推荐方法，其特征在于：所述基于差分隐私定义，使用异构注意力敏感度生成相应的随机噪声，通过异构注意力随机扰动机制生成随机噪声矩阵步骤包括：
通过异构注意力敏感度来等价表示其需要分配的隐私预算，用于生成服从拉普拉斯分布的用户噪声矩阵和项目噪声矩阵，以满足存在数据关联的差分隐私要求。
4.根据权利要求3所述的一种基于异构信息网络嵌入的差分隐私推荐方法，其特征在于：所述构造异构信息嵌入的差分隐私推荐的目标函数进行学习步骤包括：
在用户节点和项目节点的基础上，根据所述异构注意力敏感度计算的随机噪声分布，生成相应的随机噪声向量，将所述噪声引入目标函数，并使用经典的随机梯度下降方法进行学习，得到评分矩阵。
CN201911393712.3A 2019-12-30 2019-12-30 一种基于异构信息网络嵌入的差分隐私推荐方法 Pending CN111177781A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911393712.3A CN111177781A (zh) 2019-12-30 2019-12-30 一种基于异构信息网络嵌入的差分隐私推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911393712.3A CN111177781A (zh) 2019-12-30 2019-12-30 一种基于异构信息网络嵌入的差分隐私推荐方法

Publications (1)

Publication Number Publication Date
CN111177781A true CN111177781A (zh) 2020-05-19

Family

ID=70655886

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911393712.3A Pending CN111177781A (zh) 2019-12-30 2019-12-30 一种基于异构信息网络嵌入的差分隐私推荐方法

Country Status (1)

Country Link
CN (1) CN111177781A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111814189A (zh) * 2020-08-21 2020-10-23 安徽大学 一种基于差分隐私的分布式学习隐私保护方法
CN112035745A (zh) * 2020-09-01 2020-12-04 重庆大学 一种基于对抗学习与双向长短期记忆网络的推荐算法
CN112182424A (zh) * 2020-11-11 2021-01-05 重庆邮电大学 一种基于异构信息和同构信息网络融合的社交推荐方法
CN112200132A (zh) * 2020-10-28 2021-01-08 支付宝(杭州)信息技术有限公司 一种基于隐私保护的数据处理方法、装置及设备
CN112507246A (zh) * 2020-12-13 2021-03-16 天津大学 一种融合全局和局部社会兴趣影响的社会推荐方法
CN112883070A (zh) * 2021-01-22 2021-06-01 东北大学 一种带有差分隐私的生成式对抗网络推荐方法
CN113609398A (zh) * 2021-08-17 2021-11-05 石家庄铁道大学 一种基于异构图神经网络的社交推荐方法
CN114118388A (zh) * 2022-01-25 2022-03-01 湖南工商大学 面向用户隐私保护的异构网络图链接预测方法及相关设备
CN114169975A (zh) * 2021-12-17 2022-03-11 福州大学 基于随机游走异构注意力的购物网络商品推荐方法及系统
CN114637888A (zh) * 2022-05-18 2022-06-17 深圳市华曦达科技股份有限公司 一种视频推送方法及装置
CN116703529A (zh) * 2023-08-02 2023-09-05 山东省人工智能研究院 基于特征空间语义增强的对比学习推荐方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106557654A (zh) * 2016-11-16 2017-04-05 中山大学 一种基于差分隐私技术的协同过滤算法
CN107392049A (zh) * 2017-07-26 2017-11-24 安徽大学 一种基于差分隐私保护的推荐方法
CN107766742A (zh) * 2017-11-02 2018-03-06 广西师范大学 非独立同分布环境下的多相关性差分隐私矩阵分解方法
CN108280217A (zh) * 2018-02-06 2018-07-13 南京理工大学 一种基于差分隐私保护的矩阵分解推荐方法
CN108628955A (zh) * 2018-04-10 2018-10-09 中国科学院计算技术研究所 推荐系统的个性化隐私保护方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106557654A (zh) * 2016-11-16 2017-04-05 中山大学 一种基于差分隐私技术的协同过滤算法
CN107392049A (zh) * 2017-07-26 2017-11-24 安徽大学 一种基于差分隐私保护的推荐方法
CN107766742A (zh) * 2017-11-02 2018-03-06 广西师范大学 非独立同分布环境下的多相关性差分隐私矩阵分解方法
CN108280217A (zh) * 2018-02-06 2018-07-13 南京理工大学 一种基于差分隐私保护的矩阵分解推荐方法
CN108628955A (zh) * 2018-04-10 2018-10-09 中国科学院计算技术研究所 推荐系统的个性化隐私保护方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHUAN SHI ET AL.: "Heterogeneous Information Network Embedding for Recommendation", 《HTTPS://DOI.ORG/10.48550/ARXIV.1711.10730》 *
XIAO WANG ET AL.: "Heterogeneous Graph Attention Network", 《THE WORLD WIDE WEB CONFERENCE》 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111814189A (zh) * 2020-08-21 2020-10-23 安徽大学 一种基于差分隐私的分布式学习隐私保护方法
CN111814189B (zh) * 2020-08-21 2022-10-18 安徽大学 一种基于差分隐私的分布式学习隐私保护方法
CN112035745A (zh) * 2020-09-01 2020-12-04 重庆大学 一种基于对抗学习与双向长短期记忆网络的推荐算法
CN112200132A (zh) * 2020-10-28 2021-01-08 支付宝(杭州)信息技术有限公司 一种基于隐私保护的数据处理方法、装置及设备
CN112182424A (zh) * 2020-11-11 2021-01-05 重庆邮电大学 一种基于异构信息和同构信息网络融合的社交推荐方法
CN112182424B (zh) * 2020-11-11 2023-01-31 重庆邮电大学 一种基于异构信息和同构信息网络融合的社交推荐方法
CN112507246B (zh) * 2020-12-13 2022-09-13 天津大学 一种融合全局和局部社会兴趣影响的社会推荐方法
CN112507246A (zh) * 2020-12-13 2021-03-16 天津大学 一种融合全局和局部社会兴趣影响的社会推荐方法
CN112883070A (zh) * 2021-01-22 2021-06-01 东北大学 一种带有差分隐私的生成式对抗网络推荐方法
CN112883070B (zh) * 2021-01-22 2022-05-10 东北大学 一种带有差分隐私的生成式对抗网络推荐方法
CN113609398A (zh) * 2021-08-17 2021-11-05 石家庄铁道大学 一种基于异构图神经网络的社交推荐方法
CN113609398B (zh) * 2021-08-17 2023-09-19 石家庄铁道大学 一种基于异构图神经网络的社交推荐方法
CN114169975A (zh) * 2021-12-17 2022-03-11 福州大学 基于随机游走异构注意力的购物网络商品推荐方法及系统
CN114118388B (zh) * 2022-01-25 2022-04-19 湖南工商大学 面向用户隐私保护的异构网络图链接预测方法及相关设备
CN114118388A (zh) * 2022-01-25 2022-03-01 湖南工商大学 面向用户隐私保护的异构网络图链接预测方法及相关设备
CN114637888B (zh) * 2022-05-18 2022-08-02 深圳市华曦达科技股份有限公司 一种视频推送方法及装置
CN114637888A (zh) * 2022-05-18 2022-06-17 深圳市华曦达科技股份有限公司 一种视频推送方法及装置
CN116703529A (zh) * 2023-08-02 2023-09-05 山东省人工智能研究院 基于特征空间语义增强的对比学习推荐方法
CN116703529B (zh) * 2023-08-02 2023-10-20 山东省人工智能研究院 基于特征空间语义增强的对比学习推荐方法

Similar Documents

Publication Publication Date Title
CN111177781A (zh) 一种基于异构信息网络嵌入的差分隐私推荐方法
Kveton et al. Matroid bandits: Fast combinatorial optimization with learning
Ortega et al. Recommending items to group of users using matrix factorization based collaborative filtering
Hidano et al. Model inversion attacks for prediction systems: Without knowledge of non-sensitive attributes
Lappas et al. A survey of algorithms and systems for expert location in social networks
Kim et al. Latent multi-group membership graph model
Tripathy et al. A new approach to fuzzy soft set theory and its application in decision making
Adam et al. Multi Q-fuzzy parameterized soft set and its application
CN108280217A (zh) 一种基于差分隐私保护的矩阵分解推荐方法
CN112989064A (zh) 一种聚合知识图神经网络和自适应注意力的推荐方法
CN107766742B (zh) 非独立同分布环境下的多相关性差分隐私矩阵分解方法
CN112182424A (zh) 一种基于异构信息和同构信息网络融合的社交推荐方法
Huang et al. Probabilistic Soft Logic for Trust Analysis in Social Networks.
Wang et al. DNN-DP: Differential privacy enabled deep neural network learning framework for sensitive crowdsourcing data
CN104484365B (zh) 一种多源异构在线社会网络中网络主体之间社会关系的预测方法与系统
Zheng et al. Correlation coefficients of interval-valued pythagorean hesitant fuzzy sets and their applications
Feng et al. Edge–cloud-aided differentially private tucker decomposition for cyber–physical–social systems
Bose et al. Can graph neural networks go deeper without over-smoothing? yes, with a randomized path exploration!
Çatak Secure multi-party computation based privacy preserving extreme learning machine algorithm over vertically distributed data
Dayan et al. A dynamically consistent approximation for an epidemic model with fuzzy parameters
De Clercq et al. Solving stable matching problems using answer set programming
Peng et al. Understanding the mechanism of human–computer game: a distributed reinforcement learning perspective
Fedrizzi et al. Consensus modelling in group decision making: dynamical approach based on fuzzy preferences
CN111078820B (zh) 基于权重符号社交网络嵌入的边权预测方法
Zhang et al. An Adaptive Recommendation Method Based on Small-World Implicit Trust Network.

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200519

RJ01 Rejection of invention patent application after publication