CN112035755B - 一种以用户为中心的个性化推荐隐私保护方法及系统 - Google Patents

一种以用户为中心的个性化推荐隐私保护方法及系统 Download PDF

Info

Publication number
CN112035755B
CN112035755B CN202010674632.1A CN202010674632A CN112035755B CN 112035755 B CN112035755 B CN 112035755B CN 202010674632 A CN202010674632 A CN 202010674632A CN 112035755 B CN112035755 B CN 112035755B
Authority
CN
China
Prior art keywords
user
sample
vector
article
representation
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.)
Active
Application number
CN202010674632.1A
Other languages
English (en)
Other versions
CN112035755A (zh
Inventor
高能
张逸飞
屠晨阳
彭佳
李敏
单亦伟
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.)
Institute of Information Engineering of CAS
Original Assignee
Institute of Information Engineering of CAS
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 Institute of Information Engineering of CAS filed Critical Institute of Information Engineering of CAS
Priority to CN202010674632.1A priority Critical patent/CN112035755B/zh
Publication of CN112035755A publication Critical patent/CN112035755A/zh
Application granted granted Critical
Publication of CN112035755B publication Critical patent/CN112035755B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供一种以用户为中心的差分隐私个性化推荐方法及系统：生成m个哈希函数，并发送至任一用户侧，用户侧通过用户与本地物品集合的历史交互记录，构造一n维的第一用户表示向量；接收用户侧发送的m维第二用户表示向量，所述第二用户表示向量依据m个哈希函数由第一用户表示向量转换；计算若干待预测物品的待预测物品表示向量，将所述第二表示向量与一待预测物品表示向量逐组地输入一神经协同过滤学生模型，得到该用户对各待预测物品的评分，并根据所述评分进行物品推荐。本发明避免服务方或可信第三方在集中对原始数据进行隐私化处理时的隐私泄露隐患，能够为未出现在训练集中的用户提供推荐，使用户避免向服务方发送唯一标识来获取推荐。

Description

一种以用户为中心的个性化推荐隐私保护方法及系统
技术领域
本发明属于网络空间安全与隐私保护领域，尤其涉及一种以用户为中心的差分隐私个性化推荐方法及系统。
背景技术
在互联网上信息过载的环境中，大量的研究推动了个性化推荐系统的迅猛发展，以便从海量的数据中挖掘出对用户有价值的内容。在电影、购物、景点等多种场景中，服务方可以利用用户对物品的历史访问数据，预测用户对未访问物品的偏好，从而为用户提供个性化的推荐。然而，由于潜在的内部人员泄密和外部恶意攻击等风险，用户的数据隐私面临着泄露的威胁。同时，随着数据挖掘技术的发展，对手可能利用机器学习等方法从用户对物品的历史访问数据中推断出用户的性别、年龄、职业等敏感属性信息，进一步引发用户对个人隐私的担忧。
在个性化推荐的场景中，一般的隐私保护方法主要由服务方或可信第三方对收集到的用户数据进行数据的匿名化处理，包括差分隐私、K匿名、数据泛化等，向数据中加入扰动来断开数据与具体用户的关联，从而进一步训练机器学习模型得到个性化的向量表示作为用户的特征，储存在服务方，并与用户ID关联起来。当用户请求推荐时，将自己的用户ID发送给服务方，服务方根据用户ID取对应的向量进行计算，进而根据每个用户的表示向量来计算推荐结果。其中，差分隐私和本地差分隐私是目前唯一具有可证明隐私保证的技术。然而，目前基于差分隐私或本地差分隐私的方法具有不可忽视的数据可用性代价，为了保证差分隐私引入的扰动足够保护用户隐私，数据的表示能力下降。此外，目前基于协同过滤、基于内容的个性化推荐方法仅专注于在训练过程中已有用户的隐私保护，而不能处理新用户或匿名用户的数据，影响服务的可扩展性。
发明内容
根据上述发展现状，本发明的目的在于提出一种以用户为中心的个性化推荐隐私保护方法及系统，在用户侧对用户的历史数据进行向量化表示，将得到的用户表示发送给服务方，实现服务方收集到的信息同时具有隐私性和较好的可用性，从而训练个性化推荐模型，并采用知识蒸馏方法得到与原始训练数据无关的模型，实际提供服务的模型不接触原始训练数据，进一步保证防止模型过拟合可能导致的用户隐私泄露。
为了达到上述目的，本发明采用了以下方案：
一种以用户为中心的差分隐私个性化推荐方法，其步骤包括：
1)生成m个哈希函数，并发送至任一用户侧，所述用户侧通过用户与本地物品集合的历史交互记录，构造一n维的第一用户表示向量，其中n为物品数量；
2)接收用户侧发送的m维第二用户表示向量，所述第二用户表示向量依据m个哈希函数由第一用户表示向量转换；
3)计算若干待预测物品的待预测物品表示向量，将所述第二表示向量与一待预测物品表示向量逐组地输入一神经协同过滤学生模型，得到该用户对各待预测物品的评分，并根据所述评分进行物品推荐；
其中，通过以下步骤得到神经协同学生模型：
a)服务方获取一包括待预测物品与若干用户侧本地物品集合的物品总集合及若干用户侧的样本第一用户表示向量，并获取物品总集合中每一样本物品的样本物品表示向量；
b)逐组将样本第一用户表示向量及相应样本物品表示向量，输入一神经协同过滤模型，并以样本用户对样本物品的评分记录为标签、样本用户对相应样本物品的评分为输出进行训练，得到神经协同过滤教师模型；
c)通过m个哈希函数，将各样本第一用户表示向量转换为样本第二用户表示向量；
d)通过知识蒸馏框架，将神经协同过滤教师模型的模型知识进行迁移，得到以样本第二用户表示向量及相应样本物品表示向量为输入的神经协同学生模型。
进一步地，所述物品包括商品、电影或景点。
进一步地，第一用户表示向量采用独热编码的方式。
进一步地，将第一用户表示向量转换为m维的第二用户表示向量的方法包括局部敏感哈希方法。
进一步地，将第二用户表示向量发送至服务方之前，用户侧向第二用户表示向量的每一维中添加独立采样的拉普拉斯噪声。
进一步地，通过以下步骤得到样本用户对相应样本物品的评分：
1)将样本第一用户表示向量及相应样本物品表示向量分别输入第一全连接层与第二全连接层，得到维度一致的用户表示中间向量及物品中间向量；
2)将用户表示中间向量与物品中间向量进行点乘，得到点乘标量；
3)将样本第一用户表示向量及相应样本物品表示向量分别输入第三全连接层与第四全连接层，得到用户表示偏移量及物品表示偏移量；
4)通过点乘标量、用户表示偏移量及物品表示偏移量，获取样本用户对相应样本物品的评分。
进一步地，对神经协同过滤教师模型训练时，使用Adam优化器。
进一步地，通过以下策略将神经协同过滤教师模型的模型知识进行迁移：
1)将样本第二用户表示向量及相应样本物品表示向量输入另一神经协同过滤模型；
2)最后一层隐层表示向量以通过神经协同过滤教师模型计算得到的最后一层隐层表示向量作为目标，训练神经协同过滤学生模型的内部参数；
3)以L2范数损失函数为优化目标。
一种以用户为中心的差分隐私个性化推荐系统，包括：
用户侧，用以通过用户与本地物品集合的历史交互记录，构造一n维的第一用户表示向量，其中n为物品数量；依据m个哈希函数，将第一用户表示向量转换为m维的第二用户表示向量，并将第二用户表示向量发送至服务方；
服务方，用以生成m个哈希函数，并发送至任一用户侧；计算若干待预测物品的待预测物品表示向量，将所述第二表示向量与一待预测物品表示向量逐组地输入一神经协同过滤学生模型，得到该用户对各待预测物品的评分，并根据所述评分进行物品推荐；
其中，通过以下步骤得到神经协同学生模型：
a)服务方获取一包括待预测物品与若干用户侧本地物品集合的物品总集合及若干用户侧的样本第一用户表示向量，并获取物品总集合中每一样本物品的样本物品表示向量；
b)逐组将样本第一用户表示向量及相应样本物品表示向量，输入一神经协同过滤模型，并以样本用户对样本物品的评分记录为标签、样本用户对相应样本物品的评分为输出进行训练，得到神经协同过滤教师模型；
c)通过m个哈希函数，将各样本第一用户表示向量转换为样本第二用户表示向量；
d)通过知识蒸馏框架，将神经协同过滤教师模型的模型知识进行迁移，得到以样本第二用户表示向量及相应样本物品表示向量为输入的神经协同学生模型。
进一步地，用户侧将第二用户表示向量发送至服务方之前，向第二用户表示向量的每一维中添加独立采样的拉普拉斯噪声。
与现有技术相比，本发明的积极效果为：
本发明以用户为中心，避免了服务方或可信第三方在集中对原始数据进行隐私化处理的过程中可能存在的隐私泄露问题；同时使个性化推荐系统能够为未出现在训练集中的用户提供推荐，使用户可以避免向服务方发送自己的唯一标识来获取推荐。
本发明提出了一种基于局部敏感哈希和本地查分隐私的用户表示方法，降低了直接在用户原始数据表示中应用本地差分隐私算法对个性化推荐系统服务效用的影响。通过在模型训练过程中应用知识蒸馏框架，进一步保证了训练数据中的用户隐私，且可以为不存在于训练数据集中的用户提供服务，提高了服务的可扩展性。
附图说明
图1为本发明的流程图。
图2为本发明的用户表示实例。
图3为本发明一实施例与现有技术的效果对比图。
具体实施方式
为了使本发明的目的、方案及优点更加清楚明白，以在真实数据集上进行的实验为例，对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明的以用户为中心的差分隐私个性化推荐方法，主要由两个模块组成，分别是用户侧数据表示模块、服务侧模型管理模块。用户侧数据表示模块在用户本地将用户历史数据表示为具有隐私保证的用户向量，当用户向服务方请求个性化推荐时，将得到的用户向量而不是用户身份标识或用户原始数据发送给服务方。如图1所示，服务侧模型管理模块的任务又可分为模型训练、模型应用两个阶段。在模型训练阶段，服务方利用预先收集到的数据集来训练个性化推荐系统，记为教师模型，并采用与用户侧数据表示模块相同的算法将数据集中的用户原始数据表示为具有隐私保证的用户向量，并利用知识蒸馏方法训练一个与教师模型表现一致的学生模型，使得在实际生成推荐的过程中应用未接触原始用户数据的学生模型来进一步保护训练数据中的用户隐私。
所述以用户为中心的方法是指用户数据的隐私处理过程在用户端实现，而不是由服务方对数据进行隐私处理后，采用身份标识提取存储的用户向量。
所述本发明提供的个性化推荐是基于神经协同过滤(He,Xiangnan,et al."Neural collaborative filtering."Proceedings of the 26th internationalconference on world wide web.2017.)的个性化推荐系统。利用用户过去与物品的交互记录，构造用户表示向量，训练神经网络来根据用户表示向量预测用户对物品的偏好程度，从而提供个性化的推荐。
进一步所述，原始的用户表示向量采用独热编码，即向量每一维代表一个物品，向量每一维中的值表示用户对该物品的评分(显式反馈)或有过访问行为(隐式反馈)。其中的物品可以是商品、电影、景点等。
所述用户侧数据表示模块首先将原始的用户表示向量通过局部敏感哈希技术转换为只包含0、1两种元素的向量，再对向量的每一维添加基于本地差分隐私的噪声，确保发送给服务方的数据具有隐私保证。如图2，给定原始用户数据，一个哈希函数随机将这个数据映射到仅有0、1两个元素的空间中，再添加拉普拉斯噪声实现本地差分隐私。
进一步所述，局部敏感哈希是一种数据映射方法，将原始数据空间中的两个相似的数据点通过相同的映射或投影变换后，这两个数据点在新的数据空间中仍然相似的概率很大，而不相似的原始数据点被映射后相似的概率很小。服务方预先生成多个哈希函数，其中每个哈希函数包含多个映射表，将用户过去对电影的评分记录随机映射到一个目标空间中，取其中最小的映射值对2取模作为这个哈希函数的哈希值，即可使所有用户的原始表示向量采用相同的映射变换到只包含0、1两种元素的数据空间中。将所有映射得到的结果拼接便得到只包含0、1两种元素的向量。本发明采用的能够保护隐私的用户表示方案能够在后续进行扰动后更好地保留数据中的信息。
进一步所述，本地差分隐私是一种基于随机响应的数据隐私保护方法。每个用户在本地向数据中添加一定的扰动，在保证所有用户数据的统计特征不变的情况下保护每个用户的数据隐私。本发明采用基于拉普拉斯机制的本地差分隐私方案，向基于局部敏感哈希的用户小时向量中添加拉普拉斯噪声，提供可证明的隐私保证。
所述服务侧模型管理模块分为两个阶段，分别是模型训练和模型应用。
如图1所示，教师模型以原始的用户表示向量为输入，数据集中真实的用户对物品的访问记录为标签，进行训练；经过知识蒸馏中的教师-学生框架，将学习到的模型知识迁移到以具有隐私保证的用户表示向量为输入的学生模型中。
进一步所述，模型训练阶段中的教师模型是传统的基于神经协同过滤的个性化推荐模型。神经协同过滤模型为每个用户和物品学习一个向量表示，给定一个用户和一个物品，模型查询对应的向量表示进行计算，预测用户对物品的评分。学生模型的结构与教师模型一致，仅对用户表示部分进行修改。学生模型以用户侧数据表示模块产生的用户表示为输入，以教师模型对同一样本输出的隐层向量作为目标，训练学生模型。通过知识蒸馏框架将具有隐私保证的用户表示向量转换为教师模型中对用户的向量表示，从而使学生模型能够模仿教师模型产生输出。
在教师模型训练时，将用户表示向量u和物品表示向量v分别经过两个全连接神经网络层，得到维度一致的中间向量，并将其进行点乘，得到标量d。另外的两个全连接神经网络层将u与v分别映射到一维空间，得到标量u’和v’，作为偏移量。最终的预测结果为向量点积和两个偏移量相加，即d+u’+v’。训练时，采用训练集中的(用户,物品,评分)记录，并使用Adam优化器对神经网络进行训练。
进一步所述，知识蒸馏方法是迁移学习的一种应用，可以将一个机器学习模型学习到的信息(知识)转移到另一个模型中。学生模型以教师模型的输出或中间层作为目标进行训练，而不是数据集中的标签信息。
进一步所述，模型应用阶段中实际被用于生成推荐的为学生模型。本发明通过利用知识蒸馏框架重新训练一个学生模型，使模型训练的过程与原始训练数据无关，防止模型生成的输出泄露用户隐私，实现了对训练数据中的用户隐私。
学生模型以添加了差分隐私噪声的第二用户表示向量为输入，以教师模型中对应的用户表示向量u为目标，训练一个全连接神经网络层，将第二用户表示向量映射到教师模型的表示空间；然后，学生模型采用与教师模型相同的模型结构进行计算，学生模型的最后一层隐层表示向量以通过教师模型计算得到的最后一层隐层表示向量作为目标，训练学生模型的内部参数，实现将教师模型学习到的知识迁移到学生模型的效果；最后，利用学生模型得到的最后一层隐层表示向量计算最终的评分预测结果。
本发明以MovieLens 1M数据集为例，描述保护用户隐私的个性化推荐具体实施步骤。
MovieLens 1M数据集是一个用户对电影评分的数据集，包括6000个用户、4000个电影、总计一百万个1至5分的评分。
本实施例中，本发明的任务为根据用户过去对电影的评分，预测用户对一个新电影的评分。由于本发明具有可证明的隐私保护能力，本任务用于评价本发明对个性化推荐准确率的保持能力。
首先描述用户侧数据表示模块。本实施例采用最小哈希的方法来表示用户过去对电影的评分。服务方预先生成多个哈希函数，其中每个哈希函数包含多个映射表，将用户过去对电影的评分记录随机映射到一个目标空间中，取其中最小的映射值对2取模作为这个哈希函数的哈希值，即0或1。所有哈希值排列得到的向量即为用户的表示。为了保护隐私，对用户表示向量的每一维添加独立采样的拉普拉斯噪声，实现本地差分隐私。
服务侧模型管理模块根据训练集中用户对电影的评分训练教师模型。基于神经协同过滤的教师模型为每个用户和物品学习一个向量表示，给定一个用户和一个物品，模型查询对应的向量表示进行计算，预测用户对物品的评分。
得到保护隐私的用户表示向量后，服务侧模型管理模块利用教师模型训练学生模型。学生模型的训练目标为教师模型中输出前的隐层向量，以L2范数损失函数(最小平方误差)作为优化目标。
本实施例的评价任务为电影评分预测。预测用户对电影的评分本质上是一个回归任务，目标就是在给定用户和物品时，预测用户对该物品的评分。本实施例随机取出20％的评分作为测试数据集，其余80％作为训练数据集。进行5次实验，将结果的平均值作为最终的结果。本实施例采用神经协同过滤进行评分预测。采用用户对电影的评分作为目标，用户ID和电影ID作为输入，均方误差作为评价指标。
由于对测试集中真实的评分与预测的评分是进行均方误差计算，作为预测的准确程度评价指标，指标越小表示预测与真实值之间的误差越小，预测越准确。如图3所示，对照的模型均以神经协同过滤算法为基础，学习物品的表示向量，其中SVD模型采用矩阵分解的方法计算用户表示向量，LSH模型采用局部敏感哈希的方法计算用户表示向量，LSH-NCF模型为本发明中使用的教师模型。同时，使用DP-*表示对以上模型分别引入本地差分隐私后的模型。相比于现有方法中直接引入差分隐私(DP-*)的模型，本实施例在应用后更好地维持了对用户评分预测的准确度，用户隐私得到了可证明的保护，显示了本发明在隐私保护和维持数据可用的有效性。
以上所述为本发明的一个实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (10)

1.一种以用户为中心的差分隐私个性化推荐方法，其步骤包括：
1)生成m个哈希函数，并发送至任一用户侧，所述用户侧通过用户与本地物品集合的历史交互记录，构造一n维的第一用户表示向量，其中n为物品数量；
2)接收用户侧发送的m维第二用户表示向量，所述第二用户表示向量依据m个哈希函数由第一用户表示向量转换；
3)计算若干待预测物品的待预测物品表示向量，将所述第二用户 表示向量与一待预测物品表示向量逐组地输入一神经协同过滤学生模型，得到该用户对各待预测物品的评分，并根据所述评分进行物品推荐；
其中，通过以下步骤得到神经协同学生模型：
a)服务方获取一包括待预测物品与若干用户侧本地物品集合的物品总集合及若干用户侧的样本第一用户表示向量，并获取物品总集合中每一样本物品的样本物品表示向量；
b)逐组将样本第一用户表示向量及相应样本物品表示向量，输入一神经协同过滤模型，并以样本用户对样本物品的评分记录为标签、样本用户对相应样本物品的评分为输出进行训练，得到神经协同过滤教师模型；
c)通过m个哈希函数，将各样本第一用户表示向量转换为样本第二用户表示向量；
d)通过知识蒸馏框架，将神经协同过滤教师模型的模型知识进行迁移，得到以样本第二用户表示向量及相应样本物品表示向量为输入的神经协同学生模型。
2.如权利要求1所述的方法，其特征在于，所述物品包括商品、电影或景点。
3.如权利要求1所述的方法，其特征在于，第一用户表示向量采用独热编码的方式。
4.如权利要求1所述的方法，其特征在于，将第一用户表示向量转换为m维的第二用户表示向量的方法包括局部敏感哈希方法。
5.如权利要求1所述的方法，其特征在于，将第二用户表示向量发送至服务方之前，用户侧向第二用户表示向量的每一维中添加独立采样的拉普拉斯噪声。
6.如权利要求1所述的方法，其特征在于，通过以下步骤得到样本用户对相应样本物品的评分：
1)将样本第一用户表示向量及相应样本物品表示向量分别输入第一全连接层与第二全连接层，得到维度一致的用户表示中间向量及物品中间向量；
2)将用户表示中间向量与物品中间向量进行点乘，得到点乘标量；
3)将样本第一用户表示向量及相应样本物品表示向量分别输入第三全连接层与第四全连接层，得到用户表示偏移量及物品表示偏移量；
4)通过点乘标量、用户表示偏移量及物品表示偏移量，获取样本用户对相应样本物品的评分。
7.如权利要求1所述的方法，其特征在于，对神经协同过滤教师模型训练时，使用Adam优化器。
8.如权利要求1所述的方法，其特征在于，通过以下策略将神经协同过滤教师模型的模型知识进行迁移：
1)将样本第二用户表示向量及相应样本物品表示向量输入另一神经协同过滤模型；
2)最后一层隐层表示向量以通过神经协同过滤教师模型计算得到的最后一层隐层表示向量作为目标，训练神经协同过滤学生模型的内部参数；
3)以L2范数损失函数为优化目标。
9.一种以用户为中心的差分隐私个性化推荐系统，包括：
用户侧，用以通过用户与本地物品集合的历史交互记录，构造一n维的第一用户表示向量，其中n为物品数量；依据m个哈希函数，将第一用户表示向量转换为m维的第二用户表示向量，并将第二用户表示向量发送至服务方；
服务方，用以生成m个哈希函数，并发送至任一用户侧；计算若干待预测物品的待预测物品表示向量，将所述第二用户 表示向量与一待预测物品表示向量逐组地输入一神经协同过滤学生模型，得到该用户对各待预测物品的评分，并根据所述评分进行物品推荐；
其中，通过以下步骤得到神经协同学生模型：
a)服务方获取一包括待预测物品与若干用户侧本地物品集合的物品总集合及若干用户侧的样本第一用户表示向量，并获取物品总集合中每一样本物品的样本物品表示向量；
b)逐组将样本第一用户表示向量及相应样本物品表示向量，输入一神经协同过滤模型，并以样本用户对样本物品的评分记录为标签、样本用户对相应样本物品的评分为输出进行训练，得到神经协同过滤教师模型；
c)通过m个哈希函数，将各样本第一用户表示向量转换为样本第二用户表示向量；
d)通过知识蒸馏框架，将神经协同过滤教师模型的模型知识进行迁移，得到以样本第二用户表示向量及相应样本物品表示向量为输入的神经协同学生模型。
10.如权利要求9所述的系统，其特征在于，用户侧将第二用户表示向量发送至服务方之前，向第二用户表示向量的每一维中添加独立采样的拉普拉斯噪声。
CN202010674632.1A 2020-07-14 2020-07-14 一种以用户为中心的个性化推荐隐私保护方法及系统 Active CN112035755B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010674632.1A CN112035755B (zh) 2020-07-14 2020-07-14 一种以用户为中心的个性化推荐隐私保护方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010674632.1A CN112035755B (zh) 2020-07-14 2020-07-14 一种以用户为中心的个性化推荐隐私保护方法及系统

Publications (2)

Publication Number Publication Date
CN112035755A CN112035755A (zh) 2020-12-04
CN112035755B true CN112035755B (zh) 2023-04-07

Family

ID=73579146

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010674632.1A Active CN112035755B (zh) 2020-07-14 2020-07-14 一种以用户为中心的个性化推荐隐私保护方法及系统

Country Status (1)

Country Link
CN (1) CN112035755B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113163019B (zh) * 2021-05-28 2021-09-14 华中科技大学 一种基于sdn和边缘计算的物联网隐私保护服务发现系统
CN113656688A (zh) * 2021-08-09 2021-11-16 Oppo广东移动通信有限公司 数据处理方法、装置、存储介质及计算机设备
CN113761371B (zh) * 2021-09-08 2023-08-01 东北大学 一种基于匿名化隐私保护的推荐方法
CN114817742B (zh) * 2022-05-18 2022-09-13 平安科技（深圳）有限公司 基于知识蒸馏的推荐模型配置方法、装置、设备、介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111061996A (zh) * 2019-12-09 2020-04-24 昆明理工大学 一种结合Word2vec词向量和LSH局部敏感哈希的推荐算法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8478768B1 (en) * 2011-12-08 2013-07-02 Palo Alto Research Center Incorporated Privacy-preserving collaborative filtering

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111061996A (zh) * 2019-12-09 2020-04-24 昆明理工大学 一种结合Word2vec词向量和LSH局部敏感哈希的推荐算法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于改进LSH的协同过滤推荐算法;李红梅等;《计算机科学》;20151015(第10期);全文 *
实现隐私保护个性化推荐服务;王聪等;《Engineering》;20180215(第01期);全文 *

Also Published As

Publication number Publication date
CN112035755A (zh) 2020-12-04

Similar Documents

Publication Publication Date Title
CN112035755B (zh) 一种以用户为中心的个性化推荐隐私保护方法及系统
Banabilah et al. Federated learning review: Fundamentals, enabling technologies, and future applications
Yu et al. A selective ensemble learning based two-sided cross-domain collaborative filtering algorithm
Zhao et al. Attribute mapping and autoencoder neural network based matrix factorization initialization for recommendation systems
CN113609398A (zh) 一种基于异构图神经网络的社交推荐方法
Okon et al. An improved online book recommender system using collaborative filtering algorithm
Salloum et al. Implementation and evaluation of movie recommender systems using collaborative filtering
CN111008335B (zh) 一种信息处理方法、装置、设备及存储介质
Kaleli et al. Privacy-preserving SOM-based recommendations on horizontally distributed data
CN111949886B (zh) 一种用于信息推荐的样本数据生成方法和相关装置
Meng et al. Security-Driven hybrid collaborative recommendation method for cloud-based iot services
Beigi et al. Similar but different: Exploiting users’ congruity for recommendation systems
CN111475744B (zh) 一种基于集成学习的个性化位置推荐方法
CN112819024A (zh) 模型处理方法、用户数据处理方法及装置、计算机设备
Huang et al. Randomization is all you need: A privacy-preserving federated learning framework for news recommendation
Ratnayake et al. A review of federated learning: taxonomy, privacy and future directions
CN117035059A (zh) 一种通信高效的隐私保护推荐系统及方法
Roy et al. A secured context-aware tourism recommender system using artificial bee colony and simulated annealing
Li et al. Intelligent Recommendation Algorithm of Consumer Electronics Products with Graph Embedding and Multi-Head Self-Attention in IoE
Alzahrani et al. Maintaining user security in consumer electronics-based online recommender systems using federated learning
Song et al. Algorithm for generating negative cases for collaborative filtering recommender
Zhu et al. A robust personalized location recommendation based on ensemble learning
CN112231571A (zh) 资讯数据的处理方法、装置、设备及存储介质
Gafoor et al. KNN based Entertainment Enhancing System
Birgin et al. Genetic algorithm-based privacy preserving collaborative filtering

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