CN113051587B - 一种隐私保护智能交易推荐方法、系统和可读介质 - Google Patents
一种隐私保护智能交易推荐方法、系统和可读介质 Download PDFInfo
- Publication number
- CN113051587B CN113051587B CN202110262626.XA CN202110262626A CN113051587B CN 113051587 B CN113051587 B CN 113051587B CN 202110262626 A CN202110262626 A CN 202110262626A CN 113051587 B CN113051587 B CN 113051587B
- Authority
- CN
- China
- Prior art keywords
- intelligent
- data
- recommendation
- recommendation algorithm
- algorithm
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 76
- 238000012545 processing Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
-
- 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
- G06F21/602—Providing cryptographic facilities or services
-
- 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
- G06F21/70—Protecting specific internal or peripheral components, in which the protection of a component leads to protection of the entire computer
- G06F21/71—Protecting specific internal or peripheral components, in which the protection of a component leads to protection of the entire computer to assure secure computing or processing of information
Abstract
本发明属于智能服务交易领域，涉及一种隐私保护智能交易推荐方法、系统和介质，包括以下步骤：S1对上传的数据进行加密，并将经过加密的数据进行随机分割，将经过分割的数据传输至若干相互独立的数据处理端；S2将选定的智能推荐算法进行重构，并采用经过加密的数据对智能推荐算法进行训练获得最佳的智能推荐算法；S3通过各个数据处理端将经过分割的数据输入最佳的智能推荐算法，并输出推荐结果；S4将所有数据处理端输出的推荐结果进行重组后解密，获得最终智能交易推荐方法。其能够在保障效率的同时，确保用户数据不被泄露，并能够完成智能交易推荐的功能，使系统安全性得到有效提高。
Description
技术领域
本发明涉及一种隐私保护智能交易推荐方法、系统和介质，属于智能服务交易领域。
背景技术
当今社会，随着网络技术的快速发展，互联网用户数量急剧增加的同时互联网中数据信息也大量增多。而为了使人们能够处理如此大量的数据，推荐系统应运而生。推荐系统能够使人们可以更加有效地利用海量数据，从海量数据中得到需要的信息。随着人们处理数据的需求逐渐增多，云计算与云平台技术也在蓬勃发展。现如今，个人用户、企业、金融机构以及国家政府机关，都将自己的数据托管于专业的云计算平台，并利用云计算平台的机器处理数据。这种方式方便了用户和企业但也为他们的数据带来了一定的安全隐患。
现有技术主流的云计算平台为保障用户数据隐私，主要采用将用户的数据加密后存储在云计算平台上，当用户需要使用数据训练时，再将加密数据传回用户端，解密后，再传至云计算平台上训练。这样的方式能够保障存储的数据不会被恶意攻击者窃取，但却无法保障数据传输以及数据训练时的恶意攻击者。
如何解决云计算平台上的数据安全问题，现已经成为信息安全领域的焦点问题。而在智能交易推荐中，这一问题显得由为重要。在智能交易推荐中，需要使用大量的用户交易数据进行学习与运算，这些数据往往含有大量的个人隐私，例如用户的购买记录等等。因此将智能交易推荐系统等交给云计算平台训练时，需要进一步提高用户的个人隐私数据的安全性。
发明内容
针对上述问题，本发明的目的是提供一种隐私保护智能交易推荐方法、系统和介质，其能够在保障效率的同时，确保用户数据不被泄露，并能够完成智能交易推荐的功能，使系统安全性得到有效提高。
为实现上述目的，本发明采取以下技术方案：一种隐私保护智能交易推荐方法，包括以下步骤：S1对上传的数据进行加密，并将经过加密的数据进行随机分割，将经过分割的数据传输至若干相互独立的数据处理端；S2将选定的智能推荐算法进行重构，并采用经过加密的数据对智能推荐算法进行训练获得最佳的智能推荐算法；S3通过各个数据处理端将经过分割的数据输入最佳的智能推荐算法，并输出推荐结果；S4将所有数据处理端输出的推荐结果进行重组后解密，获得最终智能交易推荐方法。
进一步，步骤S2中获得最佳的智能推荐算法后，将一部分与用户输入无关的内容提前输入最佳的智能推荐算法进行预计算。
进一步，步骤S1中采用保序保分布加密算法对上传的数据进行加密。
进一步，步骤S1中具体包含以下的步骤：S1.1将输入的密钥映射至保序保分布的密钥空间，利用保序保分布的密钥处理用户端上传的数据；S1.2根据数据处理端的数量将经过加密的数据随机分割成若干部分；S1.3将各部分数据传输至对应的数据处理端。
进一步，步骤S1中需要对经过分割的数据进行预处理，预处理包括将用户端上传的数据进行归一化，并记录归一化时使用的参数。
进一步，步骤S2中将选定的智能推荐算法进行重构具体包含以下的步骤：S2.1将智能推荐算法中所有的运算转化为加法和乘法运算；S2.2将加法和乘法运算转化为基于安全多方计算的加法和乘法运算；S2.3根据转化后的加法和乘法运算对智能推荐算法进行重构。
进一步，步骤S2中采用经过加密的数据对智能推荐算法进行训练获得最佳的智能推荐算法包括以下步骤：S2.4将经过加密的数据分为训练集和测试集；S2.5采用训练集对智能推荐算法进行训练；S2.6采用测试集对经过训练的智能推荐算法进行测试，判断其是否符合预设要求，若符合则生成最佳的智能推荐算法，若不符合，返回步骤S2.5中重新训练。
本发明还公开了一种隐私保护智能交易推荐系统，包括：用户输入端，用于对上传的数据进行加密，并将经过加密的数据进行随机分割，将经过分割的数据传输至若干相互独立的数据处理端；模型训练模块，用于将选定的智能推荐算法进行重构，并采用经过加密的数据对智能推荐算法进行训练获得最佳的智能推荐算法；数据处理端，用于将经过分割的数据输入最佳的智能推荐算法，并将获得的推荐结果回传至用户端；用户输出端，用于将所有数据处理端的推荐结果进行重组后解密，获得最终智能交易推荐方法。
进一步，推荐系统还包括预计算模块，用于将一部分与用户输入无关的内容提前输入最佳的智能推荐算法进行预计算。
本发明还公开了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行以实现上述任一种的隐私保护智能交易推荐方法。
本发明由于采取以上技术方案，其具有以下优点：
1、本发明具有极高的安全性，通过安全多方计算的方案，保证用户数据不被泄露。
2、本发明通过将一部分运算转移至线下，能够保障一定的效率。
3、本发明能够应用在主流的云计算平台。
附图说明
图1是本发明一实施例中隐私保护智能交易推荐方法的流程图；
图2是本发明一实施例中经过加密的数据对智能推荐算法进行训练的流程图；
图3是本发明一实施例中隐私保护智能交易推荐系统的结构图。
具体实施方式
为了使本领域技术人员更好的理解本发明的技术方向，通过具体实施例对本发明进行详细的描绘。然而应当理解，具体实施方式的提供仅为了更好地理解本发明，它们不应该理解成对本发明的限制。在本发明的描述中，需要理解的是，所用到的术语仅仅是用于描述的目的，而不能理解为指示或暗示相对重要性。
本发明涉及一种隐私保护智能交易推荐方法、系统和介质，其包括：对数据进行预处理，产生相应的加密数据，并在分割后发送给相互独立的数据处理端；并在数据处理端中按用户的要求进行智能推荐或智能推荐模型训练，并将结果返回值用户输出端。其采用安全多方计算，并使用保序保分布的加密算法以及分离策略来处理用户的原始数据，使得用户数据的隐私安全能够得到有效的保障。同时，将一部分计算移交至线下处理，能够提高系统推荐效率。通过以下三个实施例对本发明的方案进行进一步说明。
实施例一
本实施例公开了一种隐私保护智能交易推荐方法，如图1所示，包括以下步骤：
S1对上传的数据进行加密，并将经过加密的数据进行随机分割，将经过分割的数据传输至若干相互独立的数据处理端。
其中，采用保序保分布加密算法对上传的数据进行加密。
步骤S1中具体包含以下的步骤：
S1.1将输入的密钥映射至保序保分布的密钥空间，利用保序保分布的密钥处理用户端上传的数据；
S1.2根据数据处理端的数量将经过加密的数据随机分割成若干部分；
S1.3将各部分数据传输至对应的数据处理端。
步骤S1中需要对经过分割的数据进行预处理，预处理包括将用户端上传的数据进行归一化，并记录归一化时使用的参数。
S2将选定的智能推荐算法进行重构，并采用经过加密的数据对智能推荐算法进行训练获得最佳的智能推荐算法。
将选定的智能推荐算法进行重构具体包含以下的步骤：
S2.1将智能推荐算法中所有的运算转化为加法和乘法运算；
S2.2将加法和乘法运算转化为基于安全多方计算的加法和乘法运算；
本步骤可以采用不同的安全多方计算方案，根据不同的安全多方计算方案，转化的结果不一样。具体的转化过程为：将步骤S2.1产生的加法运算和乘法运算转化为安全多方计算的加法和乘法，即由多方执行计算任务，单独的一方无法得到最终的结果，只有汇总后才能得到正确的结果，由此保证数据的安全性。
S2.3根据转化后的加法和乘法运算对智能推荐算法进行重构。此处重构的意思就是将转化后的结果重新组成完整的推荐算法。对于使用者而言，是无法察觉算法的区别的，智能推荐算法只在内部计算的时候换了计算方式，重构过程就是将分散的运算再重新组合成推荐算法。
如图2所示，采用经过加密的数据对智能推荐算法进行训练获得最佳的智能推荐算法包括以下步骤：
S2.4将经过加密的数据分为训练集和测试集；
S2.5采用训练集对智能推荐算法进行训练；
S2.6采用测试集对经过训练的智能推荐算法进行测试，判断其是否符合预设要求，若符合则生成最佳的智能推荐算法，若不符合，返回步骤S2.5中重新训练。
步骤S2中获得最佳的智能推荐算法后，将一部分与用户输入无关的内容提前输入最佳的智能推荐算法进行预计算。
S3通过各个数据处理端将经过分割的数据输入最佳的智能推荐算法，并输出推荐结果。
S4将所有数据处理端输出的推荐结果进行重组后解密，获得最终智能交易推荐方法。
实施例二
基于相同的发明构思，本实施例公开了一种隐私保护智能交易推荐系统，如图3所示，包括：
用户输入端，用于对上传的数据进行加密，并将经过加密的数据进行随机分割，将经过分割的数据传输至若干相互独立的数据处理端；
模型训练模块，用于将选定的智能推荐算法进行重构，并采用经过加密的数据对智能推荐算法进行训练获得最佳的智能推荐算法；
数据处理端，用于将经过分割的数据输入最佳的智能推荐算法，并将获得的推荐结果回传至用户端；
用户输出端，用于将所有数据处理端的推荐结果进行重组后解密，获得最终智能交易推荐方法。
推荐系统还包括预计算模块，用于将一部分与用户输入无关的内容提前输入最佳的智能推荐算法进行预计算。
实施例三
基于相同的发明构思，本实施例公开了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行以实现上述任一种的隐私保护智能交易推荐方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。上述内容仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围。
Claims (9)
1.一种隐私保护智能交易推荐方法，其特征在于，包括以下步骤：
S1对上传的数据进行加密，并将经过加密的数据进行随机分割，将经过分割的数据传输至若干相互独立的数据处理端；
S2将选定的智能推荐算法进行重构，并采用经过加密的数据对所述智能推荐算法进行训练获得最佳的智能推荐算法；
S3通过各个所述数据处理端将所述经过分割的数据输入所述最佳的智能推荐算法，并输出推荐结果；
S4将所有数据处理端输出的推荐结果进行重组后解密，获得最终智能交易推荐方法；
所述步骤S2中将选定的智能推荐算法进行重构具体包含以下的步骤：
S2.1将所述智能推荐算法中所有的运算转化为加法和乘法运算；
S2.2将所述加法和乘法运算转化为基于安全多方计算的加法和乘法运算；
本步骤采用不同的安全多方计算方案，根据不同的安全多方计算方案，转化的结果不一样，具体的转化过程为：将步骤S2.1产生的加法运算和乘法运算转化为安全多方计算的加法和乘法，即由多方执行计算任务，单独的一方无法得到最终的结果，只有汇总后才能得到正确的结果；
S2.3根据转化后的加法和乘法运算对所述智能推荐算法进行重构。
2.如权利要求1所述的隐私保护智能交易推荐方法，其特征在于，所述步骤S2中获得所述最佳的智能推荐算法后，将一部分与用户输入无关的内容提前输入所述最佳的智能推荐算法进行预计算。
3.如权利要求1所述的隐私保护智能交易推荐方法，其特征在于，所述步骤S1中采用保序保分布加密算法对上传的数据进行加密。
4.如权利要求3所述的隐私保护智能交易推荐方法，其特征在于，所述步骤S1中具体包含以下的步骤：
S1.1将输入的密钥映射至保序保分布的密钥空间，利用保序保分布的密钥处理用户端上传的数据；
S1.2根据所述数据处理端的数量将经过加密的数据随机分割成若干部分；
S1.3将各部分数据传输至对应的所述数据处理端。
5.如权利要求1所述的隐私保护智能交易推荐方法，其特征在于，所述步骤S1中需要对经过分割的数据进行预处理，所述预处理包括将用户端上传的数据进行归一化，并记录所述归一化时使用的参数。
6.如权利要求1所述的隐私保护智能交易推荐方法，其特征在于，所述步骤S2中采用经过加密的数据对所述智能推荐算法进行训练获得最佳的智能推荐算法包括以下步骤：
S2.4将经过加密的数据分为训练集和测试集；
S2.5采用所述训练集对所述智能推荐算法进行训练；
S2.6采用所述测试集对经过训练的智能推荐算法进行测试，判断其是否符合预设要求，若符合则生成最佳的智能推荐算法，若不符合，返回步骤S2.5中重新训练。
7.一种隐私保护智能交易推荐系统，其特征在于，包括：
用户输入端，用于对上传的数据进行加密，并将经过加密的数据进行随机分割，将经过分割的数据传输至若干相互独立的数据处理端；
模型训练模块，用于将选定的智能推荐算法进行重构，并采用经过加密的数据对所述智能推荐算法进行训练获得最佳的智能推荐算法；
数据处理端，用于将所述经过分割的数据输入所述最佳的智能推荐算法，并将获得的推荐结果回传至用户端；
用户输出端，用于将所有数据处理端的推荐结果进行重组后解密，获得最终智能交易推荐方法；
所述模型训练模块中将选定的智能推荐算法进行重构具体包含以下的步骤：
S2.1将所述智能推荐算法中所有的运算转化为加法和乘法运算；
S2.2将所述加法和乘法运算转化为基于安全多方计算的加法和乘法运算；
本步骤采用不同的安全多方计算方案，根据不同的安全多方计算方案，转化的结果不一样，具体的转化过程为：将步骤S2.1产生的加法运算和乘法运算转化为安全多方计算的加法和乘法，即由多方执行计算任务，单独的一方无法得到最终的结果，只有汇总后才能得到正确的结果；
S2.3根据转化后的加法和乘法运算对所述智能推荐算法进行重构。
8.如权利要求7所述的隐私保护智能交易推荐系统，其特征在于，所述推荐系统还包括预计算模块，用于将一部分与用户输入无关的内容提前输入所述最佳的智能推荐算法进行预计算。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行以实现如权利要求1-6任一项所述的隐私保护智能交易推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110262626.XA CN113051587B (zh) | 2021-03-10 | 2021-03-10 | 一种隐私保护智能交易推荐方法、系统和可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110262626.XA CN113051587B (zh) | 2021-03-10 | 2021-03-10 | 一种隐私保护智能交易推荐方法、系统和可读介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113051587A CN113051587A (zh) | 2021-06-29 |
| CN113051587B true CN113051587B (zh) | 2024-02-02 |
Family
ID=76511218
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110262626.XA Active CN113051587B (zh) | 2021-03-10 | 2021-03-10 | 一种隐私保护智能交易推荐方法、系统和可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113051587B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117077185B (zh) * | 2023-10-18 | 2024-02-02 | 翼方健数(北京)信息科技有限公司 | 一种基于hmac与秘密分享的数据存储及保护方法、系统及介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105009505A (zh) * | 2013-08-09 | 2015-10-28 | 汤姆逊许可公司 | 基于矩阵因子分解和岭回归的隐私保护推荐的方法和系统 |
| CN105592085A (zh) * | 2015-12-23 | 2016-05-18 | 西安电子科技大学 | 面向位置感知推荐系统的隐私保护方法 |
| CN105677701A (zh) * | 2015-12-24 | 2016-06-15 | 苏州大学 | 一种基于不经意传输的社会化推荐方法 |
| 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 |
| CN110825970A (zh) * | 2019-11-07 | 2020-02-21 | 浙江同花顺智能科技有限公司 | 一种信息推荐方法、装置、设备及计算机可读存储介质 |
| CN110825955A (zh) * | 2019-06-27 | 2020-02-21 | 安徽师范大学 | 基于位置服务的分布式差分隐私推荐方法 |
| CN111143674A (zh) * | 2019-12-20 | 2020-05-12 | 深圳前海微众银行股份有限公司 | 一种数据处理方法及装置 |
| CN112199719A (zh) * | 2020-10-10 | 2021-01-08 | 深圳前海微众银行股份有限公司 | 数据处理方法、装置、设备及计算机可读存储介质 |
| CN112395643A (zh) * | 2020-11-23 | 2021-02-23 | 中国人民大学 | 一种神经网络的数据隐私保护方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130041909A1 (en) * | 2011-04-08 | 2013-02-14 | Alan Coleman | Method and system for dynamic identity validation |
| US10685127B2 (en) * | 2018-01-08 | 2020-06-16 | International Business Machines Corporation | Cognitive widgets and UI components for preserving privacy and security |
-
2021
- 2021-03-10 CN CN202110262626.XA patent/CN113051587B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105009505A (zh) * | 2013-08-09 | 2015-10-28 | 汤姆逊许可公司 | 基于矩阵因子分解和岭回归的隐私保护推荐的方法和系统 |
| CN105103487A (zh) * | 2013-08-09 | 2015-11-25 | 汤姆逊许可公司 | 用于基于矩阵分解的到评级贡献用户的隐私保护推荐的方法和系统 |
| CN105592085A (zh) * | 2015-12-23 | 2016-05-18 | 西安电子科技大学 | 面向位置感知推荐系统的隐私保护方法 |
| CN105677701A (zh) * | 2015-12-24 | 2016-06-15 | 苏州大学 | 一种基于不经意传输的社会化推荐方法 |
| 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 |
| CN110825955A (zh) * | 2019-06-27 | 2020-02-21 | 安徽师范大学 | 基于位置服务的分布式差分隐私推荐方法 |
| CN110825970A (zh) * | 2019-11-07 | 2020-02-21 | 浙江同花顺智能科技有限公司 | 一种信息推荐方法、装置、设备及计算机可读存储介质 |
| CN111143674A (zh) * | 2019-12-20 | 2020-05-12 | 深圳前海微众银行股份有限公司 | 一种数据处理方法及装置 |
| CN112199719A (zh) * | 2020-10-10 | 2021-01-08 | 深圳前海微众银行股份有限公司 | 数据处理方法、装置、设备及计算机可读存储介质 |
| CN112395643A (zh) * | 2020-11-23 | 2021-02-23 | 中国人民大学 | 一种神经网络的数据隐私保护方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 具有隐私保护的个性化位置推荐;陈雨萌;《中国优秀硕士学位论文全文数据库 信息科技辑》(第02期);I138-88 * |
| 高效的隐私保护推荐系统技术研究;宋春芝;《中国优秀硕士学位论文全文数据库 信息科技辑》(第01期);I138-5398 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113051587A (zh) | 2021-06-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111898145B (zh) | 一种神经网络模型训练方法、装置、设备及介质 | |
| CN112395643B (zh) | 一种神经网络的数据隐私保护方法及系统 | |
| CN107612683B (zh) | 一种加解密方法、装置、系统、设备和存储介质 | |
| CN112182644A (zh) | 一种数据处理方法、装置和电子设备 | |
| CN106059762B (zh) | 数据安全处理方法及装置 | |
| CN106817358B (zh) | 一种用户资源的加密、解密方法和设备 | |
| CN106778292B (zh) | 一种Word加密文档的快速还原方法 | |
| CN109120606B (zh) | 一种具有隐私保护的特征属性的处理方法及装置 | |
| CN105468940A (zh) | 软件保护方法及装置 | |
| KR20210067125A (ko) | 블록체인 기반 전력 거래 시스템 및 방법 | |
| CN1941694A (zh) | 生成用于检测在处理期间加密数据的虚假改造的数据的设备及方法 | |
| KR20220092811A (ko) | 암호화 데이터를 저장하는 방법 및 장치 | |
| CN111259440B (zh) | 一种针对云外包数据的隐私保护决策树分类方法 | |
| WO2023134055A1 (zh) | 隐私联合推理方法、装置、设备及存储介质 | |
| CN113051587B (zh) | 一种隐私保护智能交易推荐方法、系统和可读介质 | |
| CN113055153B (zh) | 一种基于全同态加密算法的数据加密方法、系统和介质 | |
| CN113315745A (zh) | 一种数据处理方法、装置、设备及介质 | |
| CN111490995A (zh) | 保护隐私的模型训练方法和装置、数据处理方法、服务器 | |
| US8862893B2 (en) | Techniques for performing symmetric cryptography | |
| JP2014137474A (ja) | 改ざん検知装置、改ざん検知方法、およびプログラム | |
| CN114205144B (zh) | 数据传输方法、装置、设备、存储介质及程序产品 | |
| CN116455555A (zh) | 数据的加密方法、装置及电子设备 | |
| CN112149834A (zh) | 模型训练方法、装置、设备和介质 | |
| CN111475690B (zh) | 字符串的匹配方法和装置、数据检测方法、服务器 | |
| Sumaryanti et al. | Improvement security in e-business systems using hybrid algorithm |
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 |