CN113094598A - 基于联邦团渗透的视频推荐方法及系统 - Google Patents

基于联邦团渗透的视频推荐方法及系统 Download PDF

Info

Publication number
CN113094598A
CN113094598A CN202110498072.3A CN202110498072A CN113094598A CN 113094598 A CN113094598 A CN 113094598A CN 202110498072 A CN202110498072 A CN 202110498072A CN 113094598 A CN113094598 A CN 113094598A
Authority
CN
China
Prior art keywords
user
video
video platform
group
platform
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
CN202110498072.3A
Other languages
English (en)
Other versions
CN113094598B (zh
Inventor
郭昆
林逸丽
郭文忠
陈羽中
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.)
Fuzhou University
Original Assignee
Fuzhou 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 Fuzhou University filed Critical Fuzhou University
Priority to CN202110498072.3A priority Critical patent/CN113094598B/zh
Publication of CN113094598A publication Critical patent/CN113094598A/zh
Application granted granted Critical
Publication of CN113094598B publication Critical patent/CN113094598B/zh
Expired - Fee Related 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
    • 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
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • 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

Landscapes

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

Abstract

本发明涉及一种基于联邦团渗透的视频推荐方法，包括以下步骤：构建各平台视频平台用户网络，并获取视频平台本地重叠用户集；根据得到的视频平台本地重叠用户集，添加虚拟同兴趣用户和虚拟同兴趣用户的同兴趣用户，并对所有的用户信息进行加密后以邻接表形式发送到协调端；协调端合并所有参与视频平台的邻接表并计算k团，对k团进行编号，将k团中相关节点及其编号发送给各视频平台；视频平台过滤协调端发送过来的虚假k团，过滤后在本地计算k团，联合协调端发送过来的真实k团进行团渗透、同兴趣用户群体挖掘，然后依据其同兴趣用户的相关视频对新用户进行视频推荐。本发明在不损失准确性的前提下联合多方视频平台用户数据进行视频推荐。

Description

基于联邦团渗透的视频推荐方法及系统
技术领域
本发明涉及关联用户发现技术领域，具体涉及一种基于联邦团渗透的视频推荐方法及系统。
背景技术
互联网的发展使得人们之间的关系日益密切，发现人们之间的社交关系有助于更好的为人们提供服务，但随着人们隐私保护意识越来越强，如何在不泄露隐私的前提下进行社交网络划分越来越重要。通过研究视频平台用户观看数据，挖掘观看相同或相似视频的用户，观察该类用户观看习惯，进行更好的相关视频推荐。目前基于隐私保护的视频推荐方法的相关研究和技术仍不大成熟，在以下方面还存在局限性：准确性不佳，识别个人记录的可能性较高，易受或无法抵抗数据攻击，耗时较长等情况。所以，通过图数据挖掘算法对视频平台用户观看数据之间的联系构造的图进行视频平台用户视频推荐的数据分析与应用还较少，且难以保证准确性。
发明内容
有鉴于此，本发明的目的在于提供一种基于联邦团渗透的视频推荐方法及系统，可以在不损失准确性的前提下联合多方视频平台用户数据进行视频推荐，同时最大限度的保护各视频平台拥有的用户观看信息的隐私，且相比各视频平台独立进行视频推荐提升了准确度。
为实现上述目的，本发明采用如下技术方案：
一种基于联邦团渗透的视频推荐方法，包括以下步骤：
步骤S1:构建各平台视频平台用户网络，并获取视频平台本地重叠用户集；
步骤S2:根据得到的视频平台本地重叠用户集，添加虚拟同兴趣用户和虚拟同兴趣用户的同兴趣用户，并对所有的用户信息进行加密后以邻接表形式发送到协调端；
步骤S3:协调端合并所有参与视频平台的邻接表并计算k团，对k团进行编号，将k团中相关节点及其编号发送给各视频平台；
步骤S4:视频平台过滤协调端发送过来的虚假k团，过滤后在本地计算k团，联合协调端发送过来的真实k团进行团渗透、同兴趣用户群体挖掘，然后依据其同兴趣用户的相关视频对新用户进行视频推荐。
进一步的，所述步骤S1具体为：
步骤S11：读取视频平台用户网络G；
步骤S12：对于每个视频平台生成RSA公开密钥密码体制密钥对，将其公钥发送给其他视频平台；
步骤S13：视频平台执行隐私保护节点ID匹配协议进行两两求交集得到各视频平台的重叠用户；
步骤S14：得到的交集集合之间再求并集，得到该视频平台所包含的重叠用户集即视频平台本地重叠用户集。
进一步的，所述步骤S2具体为：
步骤S21：为视频平台用户网络中的用户节点添加虚拟同兴趣用户和虚拟同兴趣用户的同兴趣用户；
步骤S22：随机选择一个视频平台生成同态加密算法密钥对；
步骤S23：该视频平台将密钥对发送给其他视频平台；
步骤S24：各视频平台使用哈希算法对本地重叠用户集的每个用户节点进行哈希映射；
步骤S25：各视频平台使用同态加密公钥对重叠用户节点对应的拥有相同兴趣的邻居向量b进行加密；
步骤S26：各视频平台将哈希散列的重叠用户节点及其加密邻居向量以键值对的形式发送给协调端。
进一步的，所述步骤S3具体为：
步骤S31：协调端将相同哈希重叠节点对应的密态邻居向量相加；
步骤S32：协调端根据各视频平台发送过来的哈希重叠节点，将哈希重叠节点以及更新的加密邻居向量再以键值对的形式分别发送给各个视频平台；
步骤S33：协调端在密态下在由各视频平台用户组成的聚合网络上发现所有的k团，得到k团集合。
进一步的，所述步骤S4具体为：
步骤S41：各视频平台过滤协调端发送过来的虚假k团；
步骤S42：各视频平台在本地计算k团；
步骤S43：各视频平台进行团渗透；
步骤S44：各视频平台进行同兴趣用户群体挖掘；
步骤S45：各视频平台对新用户进行视频推荐。
进一步的，所述协调端采用k团发现算法寻找聚合网络中的k团，得到k团集合，其中，k团是一个由k个用户组成的子用户网络，子用户网络中每个用户与其他用户都存在关联关系。
进一步的，所述过滤具体为：
各视频平台根据节点哈希值得到原始用户节点；
各视频平台使用同态加密算法密钥对中的私钥对用户节点的加密邻居向量进行解密；
各视频平台通过解密的邻居用户向量，过滤协调端发送过来的虚假k团，更新各视频平台本地子图。
进一步的，所述渗透具体为：
各视频平台寻找本地子图的所有大小大于等于K的极大团；
各视频平台在本地子图极大团之间构造n×n的重叠矩阵M；
其中，n是极大团个数，矩阵的值为两个极大团i和j的交集点的个数，矩阵M中值大于或等于K-1的值置1，其余置0；
通过矩阵M计算连通分支，每一个连通分支对应一个极大团集合，即各视频平台用户k团渗透结果。
进一步的，所述同兴趣用户群体挖掘具体为：
同一连通分支中所有极大团的节点的并集即为一个同兴趣用户群体；
各视频平台得到本地用户的同兴趣用户划分结果。
一种基于联邦团渗透的视频推荐系统，包括若干平台端和一协调端；所述协调端包括基于隐私保护的用户网络聚合模块、基于隐私保护的用户k团计算模块；所述平台端包括重叠用户识别模块、用户网络扰动模块、用户k团过滤模块、用户k团计算模块、用户k团渗透模块、同兴趣用户群体划分模块和基于用户群体的视频推荐模块。
进一步的，所述重叠用户识别模块识别各视频平台的视频平台用户网络 G= (V,E)：其中节点集V表示视频平台用户集，在观看相似视频的同兴趣用户间建立边E，E表示边集。然后对于每个视频平台A i 生成RSA公开密钥密码体制密钥对，将公钥发送给其他视频平台A i， ，视频平台执行隐私保护节点ID匹配协议进行两两求交集得到各视频平台的重叠用户，得到的交集集合之间再求并集，得到该视频平台所包含的重叠用户集即视频平台本地重叠用户集；
所述用户网络扰动模块为视频平台用户网络中的用户节点添加虚拟同兴趣用户和虚拟同兴趣用户的同兴趣用户。然后随机选择一个视频平台生成同态加密算法密钥对，该视频平台将密钥对发送给其他视频平台，然后各视频平台使用哈希算法对本地重叠用户集的每个用户节点进行哈希映射,并使用同态加密公钥对重叠用户节点对应的拥有相同兴趣的邻居向量b进行加密，将哈希散列的重叠用户节点及其加密邻居向量以键值对的形式发送给协调端；
所述基于隐私保护的用户网络聚合模块，协调端将相同哈希重叠节点对应的密态邻居向量相加，并根据各视频平台发送过来的哈希重叠节点，将哈希重叠节点以及更新的加密邻居向量再以键值对的形式分别发送给各个视频平台；
所述基于隐私保护的用户k团计算模块，在密态下在由各视频平台用户组成的聚合网络上发现所有的k团，得到k团集合；
所述用户k团过滤模块，通过解密的邻居用户向量，过滤协调端发送过来的虚假k团，更新各视频平台本地子图；
所述用户k团计算模块，根据过滤后的本地子图在本地计算k团；
所述k团渗透模块，在本地子图大小大于等于K的极大团之间构造n×n的重叠矩阵M。然后，通过矩阵M计算连通分支，每一个连通分支对应一个极大团集合，即各视频平台用户k团渗透结果；
所述同兴趣用户群体划分模块，在本地子图中同一连通分支中所有极大团的节点的并集即为一个同兴趣用户群体，最后各视频平台得到本地用户的同兴趣用户群体划分结果；
所述基于用户群体的视频推荐模块，对于用户根据其观看的视频寻找同兴趣用户群体；然后利用该用户对应的同兴趣用户群体观看的相关视频进行视频推荐。
本发明与现有技术相比具有以下有益效果：
1、本发明采用基于图的横向联邦学习模型方法。结合横向联邦学习思想和分布式图划分方法设计了设计基于图的横向联邦学习模型。相较于没有使用联邦学习的同兴趣用户群体视频推荐结果提高了准确性；
2、本发明基于团渗透的思想，在进行视频推荐的时候不会造成精度损失，同时最大限度的保护了各视频平台用户的数据隐私。
附图说明
图1是本发明结构示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1，本发明提供一种基于联邦团渗透的视频推荐系统，包括若干平台端和一协调端；所述协调端包括基于隐私保护的用户网络聚合模块、基于隐私保护的用户k团计算模块；所述平台端包括重叠用户识别模块、用户网络扰动模块、用户k团过滤模块、用户k团计算模块、用户k团渗透模块、同兴趣用户群体划分模块和基于用户群体的视频推荐模块。
优选的，在本实施例中，重叠用户识别模块识别各视频平台的视频平台用户网络G= (V, E)：其中节点集V表示视频平台用户集，在观看相似视频的同兴趣用户间建立边E，E表示边集。然后对于每个视频平台A i 生成RSA公开密钥密码体制密钥对，将公钥发送给其他视频平台A i， ，视频平台执行隐私保护节点ID匹配协议进行两两求交集得到各视频平台的重叠用户，得到的交集集合之间再求并集，得到该视频平台所包含的重叠用户集即视频平台本地重叠用户集；
用户网络扰动模块为视频平台用户网络中的用户节点添加虚拟同兴趣用户和虚拟同兴趣用户的同兴趣用户。然后随机选择一个视频平台生成同态加密算法密钥对，该视频平台将密钥对发送给其他视频平台，然后各视频平台使用哈希算法对本地重叠用户集的每个用户节点进行哈希映射,并使用同态加密公钥对重叠用户节点对应的拥有相同兴趣的邻居向量b进行加密，将哈希散列的重叠用户节点及其加密邻居向量以键值对的形式发送给协调端；
基于隐私保护的用户网络聚合模块，协调端将相同哈希重叠节点对应的密态邻居向量相加，并根据各视频平台发送过来的哈希重叠节点，将哈希重叠节点以及更新的加密邻居向量再以键值对的形式分别发送给各个视频平台；
基于隐私保护的用户k团计算模块，在密态下在由各视频平台用户组成的聚合网络上发现所有的k团，得到k团集合；
用户k团过滤模块，通过解密的邻居用户向量，过滤协调端发送过来的虚假k团，更新各视频平台本地子图；
用户k团计算模块，根据过滤后的本地子图在本地计算k团；
k团渗透模块，在本地子图大小大于等于K的极大团之间构造n×n的重叠矩阵M。然后，通过矩阵M计算连通分支，每一个连通分支对应一个极大团集合，即各视频平台用户k团渗透结果；
同兴趣用户群体划分模块，在本地子图中同一连通分支中所有极大团的节点的并集即为一个同兴趣用户群体，最后各视频平台得到本地用户的同兴趣用户群体划分结果；
基于用户群体的视频推荐模块，对于用户根据其观看的视频寻找同兴趣用户群体；然后利用该用户对应的同兴趣用户群体观看的相关视频进行视频推荐。
本实施例还提供一种基于联邦团渗透的视频推荐方法，包括以下步骤：
步骤S1:构建各平台视频平台用户网络，并获取视频平台本地重叠用户集；
步骤S2:根据得到的视频平台本地重叠用户集，添加虚拟同兴趣用户和虚拟同兴趣用户的同兴趣用户，并对所有的用户信息进行加密后以邻接表形式发送到协调端；
步骤S3:协调端合并所有参与视频平台的邻接表并计算k团，对k团进行编号，将k团中相关节点及其编号发送给各视频平台；
步骤S4:视频平台过滤协调端发送过来的虚假k团，过滤后在本地计算k团，联合协调端发送过来的真实k团进行团渗透、同兴趣用户群体挖掘，然后依据其同兴趣用户的相关视频对新用户进行视频推荐。
优选的，在本实施例中，步骤S1具体为：
步骤S11：读取视频平台用户网络G；
步骤S12：对于每个视频平台生成RSA公开密钥密码体制密钥对，将其公钥发送给其他视频平台；
步骤S13：视频平台执行隐私保护节点ID匹配协议进行两两求交集得到各视频平台的重叠用户；
步骤S14：得到的交集集合之间再求并集，得到该视频平台所包含的重叠用户集即视频平台本地重叠用户集。
优选的，在本实施例中，步骤S2具体为：
步骤S21：为视频平台用户网络中的用户节点添加虚拟同兴趣用户和虚拟同兴趣用户的同兴趣用户；
步骤S22：随机选择一个视频平台生成同态加密算法密钥对；
步骤S23：该视频平台将密钥对发送给其他视频平台；
步骤S24：各视频平台使用哈希算法对本地重叠用户集的每个用户节点进行哈希映射；
步骤S25：各视频平台使用同态加密公钥对重叠用户节点对应的拥有相同兴趣的邻居向量b进行加密；
步骤S26：各视频平台将哈希散列的重叠用户节点及其加密邻居向量以键值对的形式发送给协调端。
优选的，在本实施例中，步骤S3具体为：
步骤S31：协调端将相同哈希重叠节点对应的密态邻居向量相加；
步骤S32：协调端根据各视频平台发送过来的哈希重叠节点，将哈希重叠节点以及更新的加密邻居向量再以键值对的形式分别发送给各个视频平台；
步骤S33：协调端在密态下在由各视频平台用户组成的聚合网络上发现所有的k团，得到k团集合。
优选的，在本实施例中，步骤S4具体为：
步骤S41：各视频平台过滤协调端发送过来的虚假k团；
步骤S42：各视频平台在本地计算k团；
步骤S43：各视频平台进行团渗透；
步骤S44：各视频平台进行同兴趣用户群体挖掘；
步骤S45：各视频平台对新用户进行视频推荐。
优选的，在本实施例中，协调端采用k团发现算法寻找聚合网络中的k团，得到k团集合，其中，k团是一个由k个用户组成的子用户网络，子用户网络中每个用户与其他用户都存在关联关系。
优选的，在本实施例中，过滤具体为：
各视频平台根据节点哈希值得到原始用户节点；
各视频平台使用同态加密算法密钥对中的私钥对用户节点的加密邻居向量进行解密；
各视频平台通过解密的邻居用户向量，过滤协调端发送过来的虚假k团，更新各视频平台本地子图。
优选的，在本实施例中，渗透具体为：
各视频平台寻找本地子图的所有大小大于等于K的极大团；
各视频平台在本地子图极大团之间构造n×n的重叠矩阵M；
其中，n是极大团个数，矩阵的值为两个极大团i和j的交集点的个数，矩阵M中值大于或等于K-1的值置1，其余置0；
通过矩阵M计算连通分支，每一个连通分支对应一个极大团集合，即各视频平台用户k团渗透结果。
优选的，在本实施例中，同兴趣用户群体挖掘具体为：
同一连通分支中所有极大团的节点的并集即为一个同兴趣用户群体；
各视频平台得到本地用户的同兴趣用户划分结果。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (10)

1.一种基于联邦团渗透的视频推荐方法，其特征在于，包括以下步骤：
步骤S1:构建各平台视频平台用户网络，并获取视频平台本地重叠用户集；
步骤S2:根据得到的视频平台本地重叠用户集，添加虚拟同兴趣用户和虚拟同兴趣用户的同兴趣用户，并对所有的用户信息进行加密后以邻接表形式发送到协调端；
步骤S3:协调端合并所有参与视频平台的邻接表并计算k团，对k团进行编号，将k团中相关节点及其编号发送给各视频平台；
步骤S4:视频平台过滤协调端发送过来的虚假k团，过滤后在本地计算k团，联合协调端发送过来的真实k团进行团渗透、同兴趣用户群体挖掘，然后依据其同兴趣用户的相关视频对新用户进行视频推荐。
2.根据权利要求1所述的基于联邦团渗透的视频推荐方法，其特征在于，所述步骤S1具体为：
步骤S11：读取视频平台用户网络 G；
步骤S12：对于每个视频平台生成RSA公开密钥密码体制密钥对，将其公钥发送给其他视频平台；
步骤S13：视频平台执行隐私保护节点ID匹配协议进行两两求交集得到各视频平台的重叠用户；
步骤S14：得到的交集集合之间再求并集，得到该视频平台所包含的重叠用户集即视频平台本地重叠用户集。
3.根据权利要求1所述的基于联邦团渗透的视频推荐方法，其特征在于，所述步骤S2具体为：
步骤S21：视频平台用户网络中的用户节点添加虚拟同兴趣用户和虚拟同兴趣用户的同兴趣用户；
步骤S22：随机选择一个视频平台生成同态加密算法密钥对；
步骤S23：该视频平台将密钥对发送给其他视频平台；
步骤S24：各视频平台使用哈希算法对本地重叠用户集的每个用户节点进行哈希映射；
步骤S25：各视频平台使用同态加密公钥对重叠用户节点对应的拥有相同兴趣的邻居向量b进行加密；
步骤S26：各视频平台将哈希散列的重叠用户节点及其加密邻居向量以键值对的形式发送给协调端。
4.根据权利要求1所述的一种基于联邦团渗透的视频推荐方法，其特征在于，所述步骤S3具体为：
步骤S31：协调端将相同哈希重叠节点对应的密态邻居向量相加；
步骤S32：协调端根据各视频平台发送过来的哈希重叠节点，将哈希重叠节点以及更新的加密邻居向量再以键值对的形式分别发送给各个视频平台；
步骤S33：协调端在密态下在由各视频平台用户组成的聚合网络上发现所有的k团，得到k团集合。
5.根据权利要求1所述的一种基于联邦团渗透的视频推荐方法，其特征在于，所述协调端采用k团发现算法寻找聚合网络中的k团，得到k团集合，其中，k团是一个由k个用户组成的子用户网络，子用户网络中每个用户与其他用户都存在关联关系。
6.根据权利要求1所述的一种基于联邦团渗透的视频推荐方法，其特征在于，所述过滤具体为：
各视频平台根据节点哈希值得到原始用户节点；
各视频平台使用同态加密算法密钥对中的私钥对用户节点的加密邻居向量进行解密；
各视频平台通过解密的邻居用户向量，过滤协调端发送过来的虚假k团，更新各视频平台本地子图。
7.根据权利要求1所述的一种基于联邦团渗透的视频推荐方法，其特征在于，所述渗透具体为：
各视频平台寻找本地子图的所有大小大于等于K的极大团；
各视频平台在本地子图极大团之间构造n×n的重叠矩阵M；
其中，n是极大团个数，矩阵的值为两个极大团i和j的交集点的个数，矩阵M中值大于或等于K-1的值置1，其余置0；
通过矩阵M计算连通分支，每一个连通分支对应一个极大团集合，即各视频平台用户k团渗透结果。
8.根据权利要求1所述的一种基于联邦团渗透的视频推荐方法，其特征在于，所述同兴趣用户群体挖掘具体为：
同一连通分支中所有极大团的节点的并集即为一个同兴趣用户群体；
各视频平台得到本地用户的同兴趣用户划分结果。
9.一种基于联邦团渗透的视频推荐系统，其特征在于，包括若干平台端和一协调端；所述协调端包括基于隐私保护的用户网络聚合模块、基于隐私保护的用户k团计算模块；所述平台端包括重叠用户识别模块、用户网络扰动模块、用户k团过滤模块、用户k团计算模块、用户k团渗透模块、同兴趣用户群体划分模块和基于用户群体的视频推荐模块。
10.根据权利要求9所述的基于联邦团渗透的视频推荐系统，其特征在于，所述重叠用户识别模块识别各视频平台的视频平台用户网络
Figure DEST_PATH_IMAGE001
=(
Figure 24075DEST_PATH_IMAGE002
,
Figure DEST_PATH_IMAGE003
)：其中节点集V表示视频平台用户集，在观看相似视频的同兴趣用户间建立边E，E表示边集;
然后对于每个视频平台A i 生成RSA公开密钥密码体制密钥对，将公钥发送给其他视频平台A i， ，视频平台执行隐私保护节点ID匹配协议进行两两求交集得到各视频平台的重叠用户，得到的交集集合之间再求并集，得到该视频平台所包含的重叠用户集即视频平台本地重叠用户集；
所述用户网络扰动模块为视频平台用户网络中的用户节点添加虚拟同兴趣用户和虚拟同兴趣用户的同兴趣用户;
然后随机选择一个视频平台生成同态加密算法密钥对，该视频平台将密钥对发送给其他视频平台，然后各视频平台使用哈希算法对本地重叠用户集的每个用户节点进行哈希映射,并使用同态加密公钥对重叠用户节点对应的拥有相同兴趣的邻居向量b进行加密，将哈希散列的重叠用户节点及其加密邻居向量以键值对的形式发送给协调端；
所述基于隐私保护的用户网络聚合模块，协调端将相同哈希重叠节点对应的密态邻居向量相加，并根据各视频平台发送过来的哈希重叠节点，将哈希重叠节点以及更新的加密邻居向量再以键值对的形式分别发送给各个视频平台；
所述基于隐私保护的用户k团计算模块，在密态下在由各视频平台用户组成的聚合网络上发现所有的k团，得到k团集合；
所述用户k团过滤模块，通过解密的邻居用户向量，过滤协调端发送过来的虚假k团，更新各视频平台本地子图；
所述用户k团计算模块，根据过滤后的本地子图在本地计算k团；
所述k团渗透模块，在本地子图大小大于等于K的极大团之间构造n×n的重叠矩阵M;
然后，通过矩阵M计算连通分支，每一个连通分支对应一个极大团集合，即各视频平台用户k团渗透结果；
所述同兴趣用户群体划分模块，在本地子图中同一连通分支中所有极大团的节点的并集即为一个同兴趣用户群体，最后各视频平台得到本地用户的同兴趣用户群体划分结果；
所述基于用户群体的视频推荐模块，对于用户根据其观看的视频寻找同兴趣用户群体；然后利用该用户对应的同兴趣用户群体观看的相关视频进行视频推荐。
CN202110498072.3A 2021-05-08 2021-05-08 基于联邦团渗透的视频推荐方法及系统 Expired - Fee Related CN113094598B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110498072.3A CN113094598B (zh) 2021-05-08 2021-05-08 基于联邦团渗透的视频推荐方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110498072.3A CN113094598B (zh) 2021-05-08 2021-05-08 基于联邦团渗透的视频推荐方法及系统

Publications (2)

Publication Number Publication Date
CN113094598A true CN113094598A (zh) 2021-07-09
CN113094598B CN113094598B (zh) 2022-06-07

Family

ID=76664179

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110498072.3A Expired - Fee Related CN113094598B (zh) 2021-05-08 2021-05-08 基于联邦团渗透的视频推荐方法及系统

Country Status (1)

Country Link
CN (1) CN113094598B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114817563A (zh) * 2022-04-27 2022-07-29 电子科技大学 基于最大团发现的特定Twitter用户群体的挖掘方法
CN114936892A (zh) * 2022-04-24 2022-08-23 福州大学 基于联邦迁移学习标签传播的线下商品推荐系统及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100332600A1 (en) * 2009-06-26 2010-12-30 International Business Machines Corporation System and Method to Enhance User Presence Management to Enable the Federation of Rich Media Sessions
CN109189988A (zh) * 2018-09-18 2019-01-11 北京邮电大学 一种视频推荐方法
CN110275941A (zh) * 2019-06-21 2019-09-24 福州大学 一种基于粗化与局部重叠模块度的邮件挖掘方法
CN111553744A (zh) * 2020-05-08 2020-08-18 深圳前海微众银行股份有限公司 联邦产品推荐方法、装置、设备及计算机存储介质
CN111666468A (zh) * 2020-05-11 2020-09-15 浙江工商大学 一种基于团簇属性在社交网络中搜索个性化影响力社区的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100332600A1 (en) * 2009-06-26 2010-12-30 International Business Machines Corporation System and Method to Enhance User Presence Management to Enable the Federation of Rich Media Sessions
CN109189988A (zh) * 2018-09-18 2019-01-11 北京邮电大学 一种视频推荐方法
CN110275941A (zh) * 2019-06-21 2019-09-24 福州大学 一种基于粗化与局部重叠模块度的邮件挖掘方法
CN111553744A (zh) * 2020-05-08 2020-08-18 深圳前海微众银行股份有限公司 联邦产品推荐方法、装置、设备及计算机存储介质
CN111666468A (zh) * 2020-05-11 2020-09-15 浙江工商大学 一种基于团簇属性在社交网络中搜索个性化影响力社区的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张学钱 等: ""协同过滤推荐算法对比分析与优化应用"", 《计算机系统应用》 *
王成成: ""社会网络中社区搜索算法设计与实现"", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *
赵璇: ""位置服务中基于k匿名的隐私保护方法研究"", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114936892A (zh) * 2022-04-24 2022-08-23 福州大学 基于联邦迁移学习标签传播的线下商品推荐系统及方法
CN114936892B (zh) * 2022-04-24 2024-06-18 福州大学 基于联邦迁移学习标签传播的线下商品推荐系统及方法
CN114817563A (zh) * 2022-04-27 2022-07-29 电子科技大学 基于最大团发现的特定Twitter用户群体的挖掘方法
CN114817563B (zh) * 2022-04-27 2023-04-28 电子科技大学 基于最大团发现的特定Twitter用户群体的挖掘方法

Also Published As

Publication number Publication date
CN113094598B (zh) 2022-06-07

Similar Documents

Publication Publication Date Title
Xing et al. Mutual privacy preserving $ k $-means clustering in social participatory sensing
CN113094598B (zh) 基于联邦团渗透的视频推荐方法及系统
CN111083631B (zh) 一种保护位置隐私和查询隐私的高效查询处理方法
CN109672529A (zh) 一种结合区块链和秘密共享的去匿名化的方法及系统
CN104601596B (zh) 一种分类数据挖掘系统中数据隐私保护方法
CN113095946B (zh) 基于联邦标签传播的保险客户推荐方法及系统
CN110233730A (zh) 一种基于k均值聚类的隐私信息保护方法
Samanthula et al. Privacy-Preserving and Efficient Friend Recommendation in Online Social Networks.
CN115242371B (zh) 差分隐私保护的集合交集及其基数计算方法、装置及系统
Basu et al. Privacy-preserving weighted slope one predictor for item-based collaborative filtering
Lin Integrate the hierarchical cluster elliptic curve key agreement with multiple secure data transfer modes into wireless sensor networks
Khan et al. Fog-enabled secure multiparty computation based aggregation scheme in smart grid
Erkin et al. Privacy-preserving user clustering in a social network
Yuan et al. A privacy-preserving oriented service recommendation approach based on personal data cloud and federated learning
CN113055902A (zh) 一种智能化的移动通信网络系统
Kumar et al. Distributed attribute based access control of aggregated data in sensor clouds
Iwamura et al. Communication-efficient secure computation of encrypted inputs using (k, n) threshold secret sharing
Hsu et al. Fast and lightweight authenticated group key agreement realizing privacy protection for resource-constrained IoMT
CN113204788A (zh) 一种细粒度属性匹配隐私保护方法
Yuan et al. A fog-aided privacy-preserving truth discovery framework over crowdsensed data streams
Yang et al. Privacy-preserving EM algorithm for clustering on social network
Kayathri et al. SDBGPChain: A decentralized low complexity framework to detect and prevent the BGPattacks using SDN with smart contract based Dendrimer tree blockchain
Sullivan Secure Analytics: Federated Learning and Secure Aggregation
Li et al. A survey on group key agreement protocols in cloud environment
Gao et al. Enabling privacy-preserving non-interactive computation for Hamming distance

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

Granted publication date: 20220607

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