CN115374469A - 物品信息推荐方法、装置、电子设备和计算机可读介质 - Google Patents

物品信息推荐方法、装置、电子设备和计算机可读介质 Download PDF

Info

Publication number
CN115374469A
CN115374469A CN202210878241.0A CN202210878241A CN115374469A CN 115374469 A CN115374469 A CN 115374469A CN 202210878241 A CN202210878241 A CN 202210878241A CN 115374469 A CN115374469 A CN 115374469A
Authority
CN
China
Prior art keywords
target
relationship
item
attribute value
user
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
CN202210878241.0A
Other languages
English (en)
Inventor
张瑞
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.)
Beijing Jingdong Zhenshi Information Technology Co Ltd
Original Assignee
Beijing Jingdong Zhenshi Information Technology Co Ltd
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 Beijing Jingdong Zhenshi Information Technology Co Ltd filed Critical Beijing Jingdong Zhenshi Information Technology Co Ltd
Priority to CN202210878241.0A priority Critical patent/CN115374469A/zh
Publication of CN115374469A publication Critical patent/CN115374469A/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Landscapes

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

Abstract

本公开的实施例公开了物品信息推荐方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：响应于确定表征用户与物品关联关系的关系矩阵中，存在关系属性值为空的目标元素，从关系矩阵所指示的物品中，选取与目标物品相似的物品，得到相似物品集；基于关系矩阵中，各用户与目标物品的关系属性值，以及相似物品集中，各相似物品与目标用户的关系属性值，确定目标用户与目标物品的预测关系属性值；对预测关系属性值进行隐私计算，得到目标关系属性值；基于目标关系属性值，确定推荐物品，并将物品信息发送给目标用户。该实施方式与信息安全有关，在进行物品信息推荐的过程中，可以对用户的个人信息进行保护，提升信息的安全性。

Description

物品信息推荐方法、装置、电子设备和计算机可读介质
技术领域
本公开的实施例涉及信息安全技术领域，具体涉及物品信息推荐方法、装置、电子设备和计算机可读介质。
背景技术
随着国内电商行业的发展，网络信息呈指数增长。在这种情况下，电商平台可以通过挖掘用户数据之间的关系，来发现用户潜在的消费趋势，从而建立用户特征，为用户提供个性化的信息推荐。
然而，发明人发现，相关推荐算法在挖掘用户数据的过程中，所涉及的数据中含有用户个人信息。因此，存在隐私信息泄露的风险。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了物品信息推荐方法、装置、电子设备、计算机可读介质和计算机程序产品，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本公开的一些实施例提供了一种物品信息推荐方法，包括：响应于确定表征用户与物品关联关系的关系矩阵中，存在关系属性值为空的目标元素，从关系矩阵所指示的各物品中，选取出预设数目个与目标物品相似的物品，得到相似物品集，其中，目标元素所指示的物品为目标物品，所指示的用户为目标用户；基于关系矩阵中，除目标用户以外各用户与目标物品的关系属性值，以及相似物品集中，各相似物品与目标用户的关系属性值，确定目标用户与目标物品的预测关系属性值；对预测关系属性值进行隐私计算，得到目标关系属性值；基于目标关系属性值，确定推荐物品，及将推荐物品的信息发送给目标用户。
在一些实施例中，从关系矩阵所指示的各物品中，选取出预设数目个与目标物品相似的物品，得到相似物品集，包括：根据关系矩阵中的各关系属性值，确定各物品与目标物品的关系属性相似度；根据物品的标签属性信息，确定各物品与目标物品的标签属性相似度；基于关系属性相似度和标签属性相似度，从关系矩阵所指示的各物品中，选取出预设数目个物品以作为目标物品的相似物品，得到相似物品集合。
在一些实施例中，根据关系矩阵中的各关系属性值，确定各物品与目标物品的关系属性相似度，包括：对于关系矩阵所指示的各物品中除目标物品外的物品，确定与该物品及目标物品的关系属性值非空的第一用户，得到第一用户集合，根据第一用户集合中，各第一用户与该物品的关系属性值，以及与目标物品的关系属性值，利用皮尔逊相关系数算法，确定该物品与目标物品的关系属性相似度。
在一些实施例中，根据物品的标签属性信息，确定各物品与目标物品的标签属性相似度，包括：对于关系矩阵所指示的各物品中除目标物品外的物品，确定该物品与目标物品具有的相同标签属性的数量，基于相同标签属性的数量，确定该物品与目标物品的标签属性相似度。
在一些实施例中，基于关系属性相似度和标签属性相似度，从关系矩阵所指示的各物品中，选取出预设数目个物品，包括：对于关系矩阵所指示的各物品中除目标物品外的物品，将该物品的关系属性相似度和标签属性相似度进行加权求和，得到该物品与目标物品的综合相似度；从各物品中，按照综合相似度的值由高到低的顺序，选取出预设数目个物品。
在一些实施例中，对预测关系属性值进行隐私计算，得到目标关系属性值，包括：利用差分隐私算法，对预测关系属性值进行加噪处理，将处理结果作为目标关系属性值。
在一些实施例中，利用差分隐私算法，对预测关系属性值进行加噪处理，包括：确定关系矩阵中各关系属性值的最大值和最小值；根据最大值、最小值、预设隐私参数，生成拉普拉斯噪声；在预测关系属性值中加入拉普拉斯噪声。
在一些实施例中，基于目标关系属性值，确定推荐物品，包括：对关系矩阵中的各关系属性值进行隐私计算，得到备用关系矩阵；根据目标关系属性值，对备用关系矩阵中的目标元素进行填充，得到目标关系矩阵；基于目标关系矩阵确定推荐物品。
在一些实施例中，对关系矩阵中的各关系属性值进行隐私计算，得到备用关系矩阵，包括：利用差分隐私算法，对关系矩阵中的各关系属性值进行加噪处理，将处理后的关系矩阵作为备用关系矩阵。
在一些实施例中，基于目标关系矩阵确定推荐物品，包括：根据目标关系矩阵，利用基于用户的协同过滤算法，确定目标用户与各候选物品的预估关系属性值，其中，候选物品为目标关系矩阵所指示的各物品中，与目标用户的关系属性值为填充的目标关系属性值的物品；根据预估关系属性值，从各候选物品中选取候选物品作为推荐物品。
在一些实施例中，关系矩阵通过以下方法生成：根据样本数据集，确定用户数量、物品数量，以及用户与物品之间的各关系属性值，其中，样本数据集中的样本数据包括用户信息、物品信息和关联信息；基于用户数量和物品数量，确定关系矩阵的行数和列数；基于用户与物品之间的各关系属性值，确定关系矩阵中各元素的值。
在一些实施例中，基于用户与物品之间的各关系属性值，确定关系矩阵中各元素的值，包括：对用户与物品之间的各关系属性值进行归一化处理，将处理后的各关系属性值作为关系矩阵中对应元素的值。
第二方面，本公开的一些实施例提供了一种物品信息推荐装置，包括：相似物品选取单元，被配置成响应于确定表征用户与物品关联关系的关系矩阵中，存在关系属性值为空的目标元素，从关系矩阵所指示的各物品中，选取出预设数目个与目标物品相似的物品，得到相似物品集，其中，目标元素所指示的物品为目标物品，所指示的用户为目标用户；关系预测单元，被配置成基于关系矩阵中，除目标用户以外各用户与目标物品的关系属性值，以及相似物品集中，各相似物品与目标用户的关系属性值，确定目标用户与目标物品的预测关系属性值；计算单元，被配置成对预测关系属性值进行隐私计算，得到目标关系属性值；推荐单元，被配置成基于目标关系属性值，确定推荐物品，及将推荐物品的信息发送给目标用户。
在一些实施例中，相似物品选取单元包括：关系相似度确定子单元，被配置成根据关系矩阵中的各关系属性值，确定各物品与目标物品的关系属性相似度；标签相似度确定子单元，被配置成根据物品的标签属性信息，确定各物品与目标物品的标签属性相似度；选取子单元，被配置成基于关系属性相似度和标签属性相似度，从关系矩阵所指示的各物品中，选取出预设数目个物品以作为目标物品的相似物品，得到相似物品集合。
在一些实施例中，关系相似度确定子单元进一步被配置成对于关系矩阵所指示的各物品中除目标物品外的物品，确定与该物品及目标物品的关系属性值非空的第一用户，得到第一用户集合，根据第一用户集合中，各第一用户与该物品的关系属性值，以及与目标物品的关系属性值，利用皮尔逊相关系数算法，确定该物品与目标物品的关系属性相似度。
在一些实施例中，标签相似度确定子单元进一步被配置成对于关系矩阵所指示的各物品中除目标物品外的物品，确定该物品与目标物品具有的相同标签属性的数量，基于相同标签属性的数量，确定该物品与目标物品的标签属性相似度。
在一些实施例中，选取子单元进一步被配置成对于关系矩阵所指示的各物品中除目标物品外的物品，将该物品的关系属性相似度和标签属性相似度进行加权求和，得到该物品与目标物品的综合相似度；从各物品中，按照综合相似度的值由高到低的顺序，选取出预设数目个物品。
在一些实施例中，计算单元进一步被配置成利用差分隐私算法，对预测关系属性值进行加噪处理，将处理结果作为目标关系属性值。
在一些实施例中，计算单元进一步被配置成确定关系矩阵中各关系属性值的最大值和最小值；根据最大值、最小值、预设隐私参数，生成拉普拉斯噪声；在预测关系属性值中加入拉普拉斯噪声。
在一些实施例中，推荐单元包括：计算子单元，被配置成对关系矩阵中的各关系属性值进行隐私计算，得到备用关系矩阵；填充子单元，被配置成根据目标关系属性值，对备用关系矩阵中的目标元素进行填充，得到目标关系矩阵；推荐物品确定子单元，被配置成基于目标关系矩阵确定推荐物品。
在一些实施例中，计算子单元进一步被配置成利用差分隐私算法，对关系矩阵中的各关系属性值进行加噪处理，将处理后的关系矩阵作为备用关系矩阵。
在一些实施例中，推荐物品确定子单元进一步被配置成根据目标关系矩阵，利用基于用户的协同过滤算法，确定目标用户与各候选物品的预估关系属性值，其中，候选物品为目标关系矩阵所指示的各物品中，与目标用户的关系属性值为填充的目标关系属性值的物品；根据预估关系属性值，从各候选物品中选取候选物品作为推荐物品。
在一些实施例中，该装置还包括关系矩阵生成单元，被配置成根据样本数据集，确定用户数量、物品数量，以及用户与物品之间的各关系属性值，其中，样本数据集中的样本数据包括用户信息、物品信息和关联信息；基于用户数量和物品数量，确定关系矩阵的行数和列数；基于用户与物品之间的各关系属性值，确定关系矩阵中各元素的值。
在一些实施例中，关系矩阵生成单元进一步被配置成对用户与物品之间的各关系属性值进行归一化处理，将处理后的各关系属性值作为关系矩阵中对应元素的值。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面中任一实现方式所描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面中任一实现方式所描述的方法。
第五方面，本公开的一些实施例提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现上述第一方面中任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果：本公开的一些实施例的物品信息推荐方法，可以提高信息数据的安全性。具体来说，相关物品信息推荐方法在挖掘用户喜好，预测用户对某个物品的评分过程中，所涉及的数据中往往含有用户个体隐私信息。而相关推荐方法中通常缺少隐私保护技术。这就会存在隐私信息泄露的风险。
基于此，本公开的一些实施例的物品信息推荐方法，在预测目标用户与目标物品的关系属性值时，对预测关系属性值进行了隐私计算。也就是说，对相关数据进行了必要的干扰。这样在后续确定推荐物品的过程中，既可以实现数据的挖掘分析，又可以保护用户的个人信息。从而能够有效地提高数据信息的安全性，降低个人信息泄露的风险。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是根据本公开的物品信息推荐方法的一些实施例的流程图；
图2是本公开的物品信息推荐方法中得到相似物品集的一些实施例的流程图；
图3A是根据本公开的物品信息推荐方法的另一些实施例的流程图；
图3B是本公开的物品信息推荐方法的一些应用场景示意图；
图4是根据本公开的物品信息推荐装置的一些实施例的结构示意图；
图5是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
本公开中所涉及的用户个人信息(例如用户的标识、浏览的物品信息、浏览时间等)的收集、存储、使用等操作，在执行相应操作之前，相关组织或个人尽到包括开展个人信息安全影响评估、向个人信息主体履行告知义务、事先征得个人信息主体的授权同意等义务。
下面将参考附图并结合实施例来详细说明本公开。
图1示出了根据本公开的物品信息推荐方法的一些实施例的流程 100。该方法包括以下步骤：
步骤101，响应于确定表征用户与物品关联关系的关系矩阵中，存在关系属性值为空的目标元素，从关系矩阵所指示的各物品中，选取出预设数目个与目标物品相似的物品，得到相似物品集。
在一些实施例中，物品信息推荐方法的执行主体(例如服务器)，在确定表征用户与物品关联关系的关系矩阵中，存在关系属性值为空的目标元素时，可以从该关系矩阵所指示的各物品中，选取出预设数目个与目标物品相似的物品。从而将这些物品作为目标物品的相似物品，得到相似物品集。其中，目标元素所指示的物品可以为目标物品；目标元素所指示的用户可以为目标用户。
在这里，关系矩阵中可以包括用户标识(如用户账号)、物品标识 (物品编号)以及表征两者关联关系的关系属性值。其中，关系属性值可以根据实际情况进行计算分析得到，如可以是用户对物品的评分。这里的评分可以是根据用户获取(如购买)该物品后，对该物品的真实评价而得到的。这里的评分也可以用于表征用户购买(或喜欢)该物品的概率。此时，可以根据用户的浏览行为数据进行分析处理得到。
在一些实施例中，执行主体可以根据关系矩阵中的各关系属性值，来确定各物品与目标物品的关系属性相似度。接着，执行主体可以根据各关系属性相似度，从各物品中选取出预设数目个与目标物品相似的物品，从而得到相似物品集。例如，可以按照关系属性相似度由高到底的顺序选取。这里确定关系属性相似度的方式，可以参见图2实施例的步骤201中的相关描述，此处不再赘述。
在一些实施例中，执行主体还可以确定各物品与目标物品的标签属性相似度。接着，基于关系属性相似度和标签属性相似度，从关系矩阵所指示的各物品中选取预设数目个相似物品。具体可以参见图2 实施例的相关描述，此处不再赘述。
可以理解的是，执行主体可以在接收到物品信息推荐指令的情况下，从而确定表征用户与物品关联关系的关系矩阵中，是否存在关系属性值为空的目标元素。这里的物品信息推荐指令可以通过多种方式触发生成。例如，可以是到达设定时间(如定期执行)而触发的，也可以是检测到用户的浏览操作而触发的。其中，上述关系矩阵可以是预先生成的，也可以是执行主体在接收到上述指令时而生成的。
作为示例，首先，执行主体可以根据样本数据集，确定用户数量、物品数量，以及用户与物品之间的各关系属性值。其中，样本数据集中的样本数据可以包括用户信息、物品信息和关联信息。这里的关联信息可以是表征关联关系的信息，如浏览(或购买)时间、浏览(或购买)次数等等。
之后，执行主体可以基于用户数量和物品数量，来确定关系矩阵的行数和列数。例如，矩阵中的一行(或一列)可以代表一个用户，矩阵中的一列(或一行)可以代表一个物品。接着，执行主体可以基于用户与物品之间的各关系属性值，确定关系矩阵中各元素的值。如根据元素在矩阵中的位置(所在的行和列)，可以确定该元素对应的用户和物品。从而可以将对应的用户和物品之间的关系属性值，作为该元素的值。
需要说明的是，上述关系矩阵可以根据用户的历史行为数据进行定时更新。这样有助于提升推荐物品的确定准确度，从而提高物品的流转量(如出库量、销量)。
步骤102，基于关系矩阵中，除目标用户以外各用户与目标物品的关系属性值，以及相似物品集中，各相似物品与目标用户的关系属性值，确定目标用户与目标物品的预测关系属性值。
在一些实施例中，执行主体可以根据关系矩阵中，其他用户(除目标用户以外各用户)与目标物品的关系属性值，以及目标用户与各相似物品的关系属性值，来确定目标用户与目标物品的预测关系属性值。也就是说，可以根据相似物品集中各相似物品的关系属性值，来预测目标用户与目标物品的关系属性值。
作为示例，首先，执行主体可以确定目标物品的非空关系属性值的平均值，以及每个相似物品的非空关系属性值的平均值。之后，执行主体可以确定目标用户与各相似物品的关系属性值，分别与对应的相似物品的非空关系属性值的平均值的差值。接着，计算差值的总和与相似物品的个数的商值。最后，可以将目标物品的非空关系属性值的平均值与上述商值的求和结果，作为目标用户与目标物品的预测关系属性值。
可选地，执行主体还可以根据目标物品与相似物品之间的相似度，如关系属性相似度或图2实施例中的综合相似度，来确定预测关系属性值。具体地，可以参见下面公式。此时，执行主体可以确定上述每个差值，与对应的相似物品与目标物品之间相似度的乘积，从而将乘积求和。同时，可以将各相似物品与目标物品之间相似度求和。之后，可以确定乘积求和与相似度求和的商值。进而可以将目标物品的非空关系属性值的平均值与该商值的求和结果作为目标用户与目标物品的预测关系属性值。通过加入物品间的相似度，有助于提升预测结果的准确度。
Figure BDA0003763027500000101
其中，
Figure BDA0003763027500000102
表示目标用户ut对目标物品Pj的预测关系属性值(预测评分)；
Figure BDA0003763027500000103
表示目标物品Pj的非空关系属性值的平均值，即已对目标物品Pj评分的所有用户的平均评分值；
Figure BDA0003763027500000104
表示目标物品Pj与相似物品P 之间的相似度；Nj表示相似物品集；
Figure BDA0003763027500000105
表示目标用户ut与相似物品P的关系属性值；
Figure BDA0003763027500000106
表示相似物品P的非空关系属性值的平均值，即已对相似物品P评分的所述用户的平均评分值。
需要说明的是，若相似物品与目标用户的关系属性值同样为空，则在上述计算过程中可以忽略不计。或者，在进行相似物品确定时，也可以通过两者的关系属性值做进一步筛选。
步骤103，对预测关系属性值进行隐私计算，得到目标关系属性值。
在一些实施例中，为了提升信息的安全性，执行主体可以对步骤 102确定的预测关系属性值进行隐私计算，从而得到目标关系属性值。在这里，隐私计算(Privacy compute或Privacy computing)一般是指在保护数据本身不对外泄露的前提下实现数据分析计算的技术集合，达到对数据“可用、不可见”的目的；在充分保护数据和隐私安全的前提下，实现数据价值的转化和释放。
在这里，执行主体可以采用多种隐私计算方式。作为示例，执行主体可以采用同态加密，对预测关系属性值进行加密处理。其中，同态加密(HomomorphicEncryption，HE)，通常是一种允许在加密之后的密文上直接进行计算，且计算结果解密后与基于明文的计算结果一致的加密算法，可在不解密以实现数据机密性保护的同时完成计算。
可选地，执行主体也可以利用差分隐私算法，对预测关系属性值进行加噪处理。从而可以将处理结果作为目标关系属性值。差分隐私 (Differential Privacy，DP)，通常是一种严格的、可量化的隐私定义和技术。差分隐私可以在保留统计学特征的前提下，去除个体特征以保护用户隐私。差分隐私一般具有两个重要的优点：一是提出与背景知识无关的隐私保护模型，实现攻击者背景知识最大化的假设；二是为隐私保护水平提供严格的定义和量化评估方法。
具体地，执行主体可以确定上述关系矩阵中，各关系属性值的最大值和最小值。或者也可以是非空关系属性值的平均值。之后，根据最大值、最小值、预设隐私参数，可以生成拉普拉斯噪声。进而，可以在预测关系属性值中加入拉普拉斯噪声，如下面公式所示。加入噪声后的关系属性值即为目标关系属性值。这样，通过对预测关系属性值进行干扰，攻击者便不能或很难通过背景知识攻击看到数据信息的全貌，从而保护数据信息中的个体隐私，提高信息的安全性。
Figure BDA0003763027500000111
其中，rmax表示关系矩阵中关系属性值的最大值；rmin表示关系矩阵中关系属性值的最小值；ε1表示预设隐私参数。
可以理解的是，预设隐私参数(隐私预算ε)可以根据实际情况进行设置。在这里，预设隐私参数可以表示隐私保护的程度，其越小，加入的拉普拉斯噪声通常越大，隐私保护程度越高。
另外，在这种情况下，为了方便计算加入拉普拉斯噪声干扰后的算法全局敏感度值，在生成上述关系矩阵时，可以进行归一化处理。即对用户与物品之间的各关系属性值进行归一化处理。将处理后的各关系属性值作为关系矩阵中对应元素的值。归一化处理的方式同样不限制。作为示例，确定某个关系属性值与最小关系属性值的差值。同时，确定最大关系属性值与最小关系属性值的差值。进而，确定两个差值的商，实现该关系属性值的归一化处理，如以下公式。
Figure 1
其中，R′表示归一化处理后的关系属性值；R表示关系矩阵中原始的关系属性值；Rmax表示关系矩阵中最大关系属性值；Rmin表示关系矩阵中最小关系属性值。
又例如，可以确定某个关系属性值与平均关系属性值的差值。进而，确定该差值与非空关系属性值的个数的商，实现该关系属性值的归一化处理。
步骤104，基于目标关系属性值，确定推荐物品，及将推荐物品的信息发送给目标用户。
在一些实施例中，基于步骤103确定的目标关系属性值，执行主体可以确定推荐物品。并且可以将推荐物品的信息，如连接地址或展示页面等，通过有线连接方式或无线连接方式，发送给目标用户所使用的终端。
可以理解的是，若关系矩阵中的某个关系属性值为空，通常说明该用户与该物品之间目前没有关联关系，如没有浏览过。在这里，执行主体可以确定目标关系属性值是否大于预设值。若大于预设值，则可以将该目标关系属性值所指示的物品(即目标物品)，确定为目标用户的推荐物品。这里的预设值可以根据实际情况进行设置，如可以是已有的各关系属性值的平均值。
又例如，对于同一目标用户，若存在多个(至少两个)关系属性值为空的目标物品。此时，执行主体可以从多个目标物品中，按照目标关系属性值由高到低的顺序，选取至少一个目标物品作为推荐物品。
通过以上描述，而本公开的一些实施例提供的物品信息推荐方法，在预测目标用户与目标物品的关系属性值时，对预测关系属性值进行了隐私计算。也就是说，对相关数据进行了必要的干扰。这样在后续确定推荐物品的过程中，既可以实现数据的挖掘分析，又可以保护用户的个人信息。从而能够有效地提高数据信息的安全性，降低个人信息泄露的风险。
继续参考图2，其示出了本公开的物品信息推荐方法中，得到相似物品集的一些实施例的流程200。该方法包括以下步骤：
步骤201，根据关系矩阵中的各关系属性值，确定各物品与目标物品的关系属性相似度。
在一些实施例中，物品信息推荐方法的执行主体可以根据关系矩阵中的各关系属性值，来确定各物品与目标物品的关系属性相似度。具体地，对于关系矩阵所指示的各物品中除目标物品外的物品，首先可以确定与该物品及目标物品的关系属性值非空的第一用户，得到第一用户集合。即对该物品和目标物品均已评分的用户集合。之后，根据第一用户集合中，各第一用户与该物品的关系属性值，以及与目标物品的关系属性值，可以利用皮尔逊相关系数算法，来确定该物品与目标物品的关系属性相似度。如下公式所示：
Figure BDA0003763027500000131
其中，Pi表示关系矩阵所指示的各物品中除目标物品外的物品；Pj表示目标物品；simpcc(Pi，Pj)表示物品Pi与目标物品Pj的关系属性相似度； Uxy表示第一用户集合，即对物品Pi和目标物品Pj均已评分的用户；
Figure BDA0003763027500000132
表示第一用户k与物品Pi的关系属性值；
Figure BDA0003763027500000133
表示第一用户集合中，各第一用户与物品Pi的关系属性值的平均值；
Figure BDA0003763027500000134
表示第一用户k与目标物品Pj的关系属性值；
Figure BDA0003763027500000135
表示第一用户集合中，各第一用户与目标物品Pj的关系属性值的平均值。
步骤202，根据物品的标签属性信息，确定各物品与目标物品的标签属性相似度。
在一些实施例中，执行主体还可以根据物品的标签属性信息，来确定各物品与目标物品的标签属性相似度。作为示例，对于关系矩阵所指示的各物品中除目标物品外的物品，执行主体可以确定该物品与目标物品具有的相同标签属性(即共同拥有的标签属性)的数量。进而，基于相同标签属性的数量，可以确定该物品与目标物品的标签属性相似度。
例如，可以将相同标签属性的数量与两个物品的标签属性的总数量的商，作为两个物品的标签属性相似度。又例如，可以确定上述关系矩阵所指示的所有物品的标签属性的总数量，与不属于两个物品共同拥有的标签属性的数量的差值。进而，可以将相同标签属性的数量与该差值的商，作为两个物品的标签属性相似度。如下公式所示：
Figure BDA0003763027500000141
其中，simTab(Pt，Pj)表示物品Pi与目标物品Pj的标签属性相似度；
Figure BDA0003763027500000142
表示物品Pi与目标物品Pj具有相同标签属性的数量；Nc表示标签属性的总数量；Nn表示不属于物品Pi和目标物品Pj共同拥有的标签属性的数量。
步骤203，基于关系属性相似度和标签属性相似度，从关系矩阵所指示的各物品中，选取出预设数目个物品以作为目标物品的相似物品，得到相似物品集合。
在一些实施例中，执行主体可以基于关系属性相似度和标签属性相似度，从关系矩阵所指示的各物品中，选取出预设数目个(如5个) 物品以作为目标物品的相似物品，得到相似物品集合。这里的选取方式同样不限制。
例如，执行主体可以从各物品中，按照关系属性相似度由高到低的顺序，选取出一定数目个物品。同时，执行主体还可以从各物品中，按照标签属性相似度由高到低的顺序，选取出一定数目个物品。之后，可以确定出两次选取中均包含的物品。进而，可以从中选取出预设数目个物品以作为相似物品。
可选地，对于关系矩阵所指示的各物品中除目标物品外的物品，执行主体可以将该物品，与目标物品的关系属性相似度和标签属性相似度进行加权求和，从而得到该物品与目标物品的综合相似度。这里的权重值同样不限制。接着，从各物品中，可以按照综合相似度的值由高到低的顺序，选取出预设数目个物品。如以下公式所示：
sim(Pi，Pj)＝λsimpcc+(1-2)simTab
其中，sim(pi，Pj)表示物品Pi与目标物品Pj的综合相似度；λ表示权重系数，位于[0,1]之间；simpcc即上述simpcc(Pi，Pj)表示物品Pi与目标物品Pj的关系属性相似度；simTab即上述simTab(Pi，Pj)，表示物品Pi与目标物品Pj的标签属性相似度。
本公开实施例中得到相似物品集合的方法，与相关物品相似度计算方法相比，考虑了物品的标签属性。即加入了物品的标签属性相似度。这样，有助于提升相似度计算结果的准确度，从而提高找到相似物品的概率和准确度。
请参考图3，其示出了本公开的物品信息推荐方法的另一些实施例的流程300。该方法包括以下步骤：
步骤301，响应于确定表征用户与物品关联关系的关系矩阵中，存在关系属性值为空的目标元素，从关系矩阵所指示的各物品中，选取出预设数目个与目标物品相似的物品，得到相似物品集。
步骤302，基于关系矩阵中，除目标用户以外各用户与目标物品的关系属性值，以及相似物品集中，各相似物品与目标用户的关系属性值，确定目标用户与目标物品的预测关系属性值。
步骤303，对预测关系属性值进行隐私计算，得到目标关系属性值。
在一些实施例中，上述步骤301至步骤303的过程，可以分别参见图1实施例的步骤101至步骤103中的相关描述，此处不再赘述。
步骤304，对关系矩阵中的各关系属性值进行隐私计算，得到备用关系矩阵。
在一些实施例中，执行主体同样可以对关系矩阵中的各关系属性值进行隐私计算，从而得到备用关系矩阵。为了保证数据的一致性，这里的隐私计算方式可以与上述预测关系属性值的隐私计算方式相同。作为示例，执行主体也可以利用差分隐私算法，对关系矩阵中的各关系属性值进行加噪处理。从而将处理后的关系矩阵作为备用关系矩阵。也就是说，还可以对关系矩阵进行噪声干扰，从而可以进一步提升数据的安全性。如以下公式所示：
Figure BDA0003763027500000151
其中，Mc*d′表示归一化处理后的关系矩阵；Mc*d表示原来的关系矩阵；ε2表示预设隐私参数。
需要说明的是，此处的预设隐私参数的值可以与上述的预设隐私参数的值不同。这样，通过设置不同的隐私参数值，可以调整噪声的大小，以得出算法的最优性能。
步骤305，根据目标关系属性值，对备用关系矩阵中的目标元素进行填充，得到目标关系矩阵。
在一些实施例中，执行主体可以根据目标关系属性值，来填充备用关系矩阵中对应的目标元素，从而得到目标关系矩阵。作为示例，根据目标关系属性值所指示的用户(目标用户)和物品(目标物品)，执行主体可以确定与之对应的目标元素。从而可以在该目标元素在备用关系矩阵中的位置处，填充为目标关系属性值。
可以理解的是，通过预测关系属性值(目标关系属性值)来填充关系矩阵(备用关系矩阵)，可以提高矩阵的数据量，降低矩阵的稀疏性。这样有助于提高后续确定推荐物品的准确度。
另外，通过以上描述可知，本公开的方法包含了两个差分隐私的子算法。而且两种算法作用在相同的关系矩阵中(即目标关系矩阵)。由两种算法构成的组合算法可以满足差分隐私的串行组合性质。整体的隐私参数可以为两个预设隐私参数的和，即ε＝ε1+ε2。
步骤306，基于目标关系矩阵确定推荐物品。
在一些实施例中，执行主体可以基于目标关系矩阵，来确定推荐物品。并可以将推荐物品的信息发送给目标用户。
作为示例，执行主体可以根据目标关系矩阵中的各关系属性值，来确定与目标用户相邻(喜好或兴趣相似)的用户，得到相邻用户集合。之后，可以对各相邻用户与候选物品的关系属性值进行分析。其中，候选物品为目标关系矩阵所指示的各物品中，与目标用户的关系属性值为填充的目标关系属性值的物品。即原来与目标用户没有关联关系(如未浏览过)的物品。进而，可以从各候选物品中选取出推荐物品。如对于同一候选物品，可以计算所有相邻用户与其的关系属性值的平均值(或最大值)。从而可以按照该计算值由高到低的顺序来选取。
在一些实施例中，根据目标关系矩阵，执行主体还可以利用基于用户的协同过滤算法，来确定目标用户与各候选物品的预估关系属性值。之后，根据预估关系属性值，可以从各候选物品中选取候选物品作为推荐物品。
本实施例公开的物品信息推荐方法，进一步丰富和完善了确定推荐物品的过程。通过基于用户的协同过滤方法，来确定推荐物品，可以进一步提高推荐物品确定的准确度。进而，能够有助于提高物品的流动量。
作为示例，如图3B所示，执行主体可以根据用户信息、商品信息和商品的标签属性信息等基础数据，通过分析得到用户-商品评分矩阵，以及商品标签属性矩阵。在商品标签属性矩阵中，若商品具有某个标签属性，则对应的元素值可以为1；若没有该标签属性，则对应的元素值可以为0。这样，根据用户-商品评分矩阵，通过皮尔逊相似度算法，可以确定商品之间的评分相似度。根据商品标签属性矩阵，通过标签属性相似度算法，可以确定商品之间的标签相似度。根据两种相似度，进而可以得到商品之间的综合相似度。
之后，执行主体可以根据基于商品的协同过滤算法(Item-base CF) 中的预测评分方法，来预测用户对未评分商品的预测评分值。并将预测评分值填入用户-商品评分矩阵中。同时，可以加入拉普拉斯噪声，以进行干扰。
接着，利用填充且加入噪声后的用户-评分矩阵，执行主体可以确定用户之间的相似度。根据基于用户的协同过滤算法(User-base CF) 中的预测评分方法，可以预测用户对某个商品的评分值。这样，根据相似用户对商品的评分，可以实现商品推荐。另外，根据推荐结果，还可以对这种推荐性能进行分析评价。
进一步参考图4，作为对上述图1至图3所示方法的实现，本公开提供了一种物品信息推荐装置的一些实施例，这些装置实施例与图 1至图3所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图4所示，一些实施例的物品信息推荐装置400可以包括：相似物品选取单元401，被配置成响应于确定表征用户与物品关联关系的关系矩阵中，存在关系属性值为空的目标元素，从关系矩阵所指示的各物品中，选取出预设数目个与目标物品相似的物品，得到相似物品集，其中，目标元素所指示的物品为目标物品，所指示的用户为目标用户；关系预测单元402，被配置成基于关系矩阵中，除目标用户以外各用户与目标物品的关系属性值，以及相似物品集中，各相似物品与目标用户的关系属性值，确定目标用户与目标物品的预测关系属性值；计算单元403，被配置成对预测关系属性值进行隐私计算，得到目标关系属性值；推荐单元404，被配置成基于目标关系属性值，确定推荐物品，及将推荐物品的信息发送给目标用户。
在一些实施例中，相似物品选取单元401可以包括：关系相似度确定子单元(图中未示出)，被配置成根据关系矩阵中的各关系属性值，确定各物品与目标物品的关系属性相似度；标签相似度确定子单元(图中未示出)，被配置成根据物品的标签属性信息，确定各物品与目标物品的标签属性相似度；选取子单元(图中未示出)，被配置成基于关系属性相似度和标签属性相似度，从关系矩阵所指示的各物品中，选取出预设数目个物品以作为目标物品的相似物品，得到相似物品集合。
在一些实施例中，关系相似度确定子单元可以进一步被配置成对于关系矩阵所指示的各物品中除目标物品外的物品，确定与该物品及目标物品的关系属性值非空的第一用户，得到第一用户集合，根据第一用户集合中，各第一用户与该物品的关系属性值，以及与目标物品的关系属性值，利用皮尔逊相关系数算法，确定该物品与目标物品的关系属性相似度。
在一些实施例中，标签相似度确定子单元可以进一步被配置成对于关系矩阵所指示的各物品中除目标物品外的物品，确定该物品与目标物品具有的相同标签属性的数量，基于相同标签属性的数量，确定该物品与目标物品的标签属性相似度。
在一些实施例中，选取子单元可以进一步被配置成对于关系矩阵所指示的各物品中除目标物品外的物品，将该物品的关系属性相似度和标签属性相似度进行加权求和，得到该物品与目标物品的综合相似度；从各物品中，按照综合相似度的值由高到低的顺序，选取出预设数目个物品。
在一些实施例中，计算单元403可以进一步被配置成利用差分隐私算法，对预测关系属性值进行加噪处理，将处理结果作为目标关系属性值。
在一些实施例中，计算单元403可以进一步被配置成确定关系矩阵中各关系属性值的最大值和最小值；根据最大值、最小值、预设隐私参数，生成拉普拉斯噪声；在预测关系属性值中加入拉普拉斯噪声。
在一些实施例中，推荐单元404可以包括：计算子单元(图中未示出)，被配置成对关系矩阵中的各关系属性值进行隐私计算，得到备用关系矩阵；填充子单元(图中未示出)，被配置成根据目标关系属性值，对备用关系矩阵中的目标元素进行填充，得到目标关系矩阵；推荐物品确定子单元(图中未示出)，被配置成基于目标关系矩阵确定推荐物品。
在一些实施例中，计算子单元可以进一步被配置成利用差分隐私算法，对关系矩阵中的各关系属性值进行加噪处理，将处理后的关系矩阵作为备用关系矩阵。
在一些实施例中，推荐物品确定子单元可以进一步被配置成根据目标关系矩阵，利用基于用户的协同过滤算法，确定目标用户与各候选物品的预估关系属性值，其中，候选物品为目标关系矩阵所指示的各物品中，与目标用户的关系属性值为填充的目标关系属性值的物品；根据预估关系属性值，从各候选物品中选取候选物品作为推荐物品。
在一些实施例中，该装置400还可以包括关系矩阵生成单元(图中未示出)，被配置成根据样本数据集，确定用户数量、物品数量，以及用户与物品之间的各关系属性值，其中，样本数据集中的样本数据包括用户信息、物品信息和关联信息；基于用户数量和物品数量，确定关系矩阵的行数和列数；基于用户与物品之间的各关系属性值，确定关系矩阵中各元素的值。
在一些实施例中，关系矩阵生成单元可以进一步被配置成对用户与物品之间的各关系属性值进行归一化处理，将处理后的各关系属性值作为关系矩阵中对应元素的值。
可以理解的是，该装置400中记载的诸单元与参考图1至图3描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置400及其中包含的单元，在此不再赘述。
下面参考图5，其示出了适于用来实现本公开的一些实施例的电子设备(例如服务器)500的结构示意图。图5示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图5所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线 504。
通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置 506；包括例如扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图 5中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM 或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：响应于确定表征用户与物品关联关系的关系矩阵中，存在关系属性值为空的目标元素，从关系矩阵所指示的各物品中，选取出预设数目个与目标物品相似的物品，得到相似物品集，其中，目标元素所指示的物品为目标物品，所指示的用户为目标用户；基于关系矩阵中，除目标用户以外各用户与目标物品的关系属性值，以及相似物品集中，各相似物品与目标用户的关系属性值，确定目标用户与目标物品的预测关系属性值；对预测关系属性值进行隐私计算，得到目标关系属性值；基于目标关系属性值，确定推荐物品，及将推荐物品的信息发送给目标用户。
此外，可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN) 或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括相似物品选取单元、关系预测单元、计算单元和推荐单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，相似物品选取单元还可以被描述为“从关系矩阵所指示的各物品中，选取出预设数目个与目标物品相似的物品的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD) 等等。
本公开的一些实施例还提供一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时，实现上述的任一种物品信息推荐方法。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (16)

1.一种物品信息推荐方法，包括：
响应于确定表征用户与物品关联关系的关系矩阵中，存在关系属性值为空的目标元素，从所述关系矩阵所指示的各物品中，选取出预设数目个与目标物品相似的物品，得到相似物品集，其中，所述目标元素所指示的物品为目标物品，所指示的用户为目标用户；
基于所述关系矩阵中，除所述目标用户以外各用户与所述目标物品的关系属性值，以及所述相似物品集中，各相似物品与所述目标用户的关系属性值，确定所述目标用户与所述目标物品的预测关系属性值；
对所述预测关系属性值进行隐私计算，得到目标关系属性值；
基于所述目标关系属性值，确定推荐物品，及将所述推荐物品的信息发送给所述目标用户。
2.根据权利要求1所述的方法，其中，所述从所述关系矩阵所指示的各物品中，选取出预设数目个与目标物品相似的物品，得到相似物品集，包括：
根据所述关系矩阵中的各关系属性值，确定各物品与目标物品的关系属性相似度；
根据物品的标签属性信息，确定各物品与所述目标物品的标签属性相似度；
基于关系属性相似度和标签属性相似度，从所述关系矩阵所指示的各物品中，选取出预设数目个物品以作为所述目标物品的相似物品，得到相似物品集合。
3.根据权利要求2所述的方法，其中，所述根据所述关系矩阵中的各关系属性值，确定各物品与目标物品的关系属性相似度，包括：
对于所述关系矩阵所指示的各物品中除目标物品外的物品，确定与该物品及所述目标物品的关系属性值非空的第一用户，得到第一用户集合，根据所述第一用户集合中，各第一用户与该物品的关系属性值，以及与所述目标物品的关系属性值，利用皮尔逊相关系数算法，确定该物品与所述目标物品的关系属性相似度。
4.根据权利要求2所述的方法，其中，所述根据物品的标签属性信息，确定各物品与所述目标物品的标签属性相似度，包括：
对于所述关系矩阵所指示的各物品中除目标物品外的物品，确定该物品与所述目标物品具有的相同标签属性的数量，基于相同标签属性的数量，确定该物品与所述目标物品的标签属性相似度。
5.根据权利要求2所述的方法，其中，所述基于关系属性相似度和标签属性相似度，从所述关系矩阵所指示的各物品中，选取出预设数目个物品，包括：
对于所述关系矩阵所指示的各物品中除目标物品外的物品，将该物品的关系属性相似度和标签属性相似度进行加权求和，得到该物品与所述目标物品的综合相似度；
从所述各物品中，按照综合相似度的值由高到低的顺序，选取出预设数目个物品。
6.根据权利要求1所述的方法，其中，所述对所述预测关系属性值进行隐私计算，得到目标关系属性值，包括：
利用差分隐私算法，对所述预测关系属性值进行加噪处理，将处理结果作为目标关系属性值。
7.根据权利要求6所述的方法，其中，所述利用差分隐私算法，对所述预测关系属性值进行加噪处理，包括：
确定所述关系矩阵中各关系属性值的最大值和最小值；
根据所述最大值、所述最小值、预设隐私参数，生成拉普拉斯噪声；
在所述预测关系属性值中加入所述拉普拉斯噪声。
8.根据权利要求1所述的方法，其中，所述基于所述目标关系属性值，确定推荐物品，包括：
对所述关系矩阵中的各关系属性值进行所述隐私计算，得到备用关系矩阵；
根据所述目标关系属性值，对所述备用关系矩阵中的所述目标元素进行填充，得到目标关系矩阵；
基于所述目标关系矩阵确定推荐物品。
9.根据权利要求8所述的方法，其中，所述对所述关系矩阵中的各关系属性值进行所述隐私计算，得到备用关系矩阵，包括：
利用差分隐私算法，对所述关系矩阵中的各关系属性值进行加噪处理，将处理后的关系矩阵作为备用关系矩阵。
10.根据权利要求8所述的方法，其中，所述基于所述目标关系矩阵确定推荐物品，包括：
根据所述目标关系矩阵，利用基于用户的协同过滤算法，确定所述目标用户与各候选物品的预估关系属性值，其中，所述候选物品为所述目标关系矩阵所指示的各物品中，与所述目标用户的关系属性值为填充的目标关系属性值的物品；
根据预估关系属性值，从各候选物品中选取候选物品作为推荐物品。
11.根据权利要求1-10之一所述的方法，其中，所述关系矩阵通过以下方法生成：
根据样本数据集，确定用户数量、物品数量，以及用户与物品之间的各关系属性值，其中，所述样本数据集中的样本数据包括用户信息、物品信息和关联信息；
基于用户数量和物品数量，确定关系矩阵的行数和列数；
基于用户与物品之间的各关系属性值，确定所述关系矩阵中各元素的值。
12.根据权利要求11所述的方法，其中，所述基于用户与物品之间的各关系属性值，确定所述关系矩阵中各元素的值，包括：
对用户与物品之间的各关系属性值进行归一化处理，将处理后的各关系属性值作为所述关系矩阵中对应元素的值。
13.一种物品信息推荐装置，包括：
相似物品选取单元，被配置成响应于确定表征用户与物品关联关系的关系矩阵中，存在关系属性值为空的目标元素，从所述关系矩阵所指示的各物品中，选取出预设数目个与目标物品相似的物品，得到相似物品集，其中，所述目标元素所指示的物品为目标物品，所指示的用户为目标用户；
关系属性预测单元，被配置成基于所述关系矩阵中，除所述目标用户以外各用户与所述目标物品的关系属性值，以及所述相似物品集中，各相似物品与所述目标用户的关系属性值，确定所述目标用户与所述目标物品的预测关系属性值；
计算单元，被配置成对所述预测关系属性值进行隐私计算，得到目标关系属性值；
推荐单元，被配置成基于所述目标关系属性值，确定推荐物品，及将所述推荐物品的信息发送给所述目标用户。
14.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-12中任一所述的方法。
15.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-12中任一所述的方法。
16.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-12中任一项所述的方法。
CN202210878241.0A 2022-07-25 2022-07-25 物品信息推荐方法、装置、电子设备和计算机可读介质 Pending CN115374469A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210878241.0A CN115374469A (zh) 2022-07-25 2022-07-25 物品信息推荐方法、装置、电子设备和计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210878241.0A CN115374469A (zh) 2022-07-25 2022-07-25 物品信息推荐方法、装置、电子设备和计算机可读介质

Publications (1)

Publication Number Publication Date
CN115374469A true CN115374469A (zh) 2022-11-22

Family

ID=84063247

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210878241.0A Pending CN115374469A (zh) 2022-07-25 2022-07-25 物品信息推荐方法、装置、电子设备和计算机可读介质

Country Status (1)

Country Link
CN (1) CN115374469A (zh)

Similar Documents

Publication Publication Date Title
TWI689841B (zh) 資料加密、機器學習模型訓練方法、裝置及電子設備
EP3654610B1 (en) Graphical structure model-based method for prevention and control of abnormal accounts, and device
CN112132676B (zh) 联合训练目标模型的贡献度的确定方法、装置和终端设备
US11941690B2 (en) Reducing account churn rate through intelligent collaborative filtering
US11188678B2 (en) Detection and prevention of privacy violation due to database release
CN112200382B (zh) 一种风险预测模型的训练方法和装置
CN111768258A (zh) 识别异常订单的方法、装置、电子设备和介质
CN111198967A (zh) 基于关系图谱的用户分组方法、装置及电子设备
CN111191677B (zh) 用户特征数据生成方法、装置及电子设备
CN112241904A (zh) 商品销售量预测方法、装置、计算机设备和存储介质
CN110020910B (zh) 对象推荐方法和装置
CN110968887B (zh) 在数据隐私保护下执行机器学习的方法和系统
CN109978594B (zh) 订单处理方法、装置及介质
CN112926090B (zh) 基于差分隐私的业务分析方法及装置
CN117390098A (zh) 数据分析方法、装置、计算机设备和存储介质
CN115758271A (zh) 数据处理方法、装置、计算机设备和存储介质
CN112948889B (zh) 在数据隐私保护下执行机器学习的方法和系统
CN116956204A (zh) 多任务模型的网络结构确定方法、数据预测方法及装置
CN115374469A (zh) 物品信息推荐方法、装置、电子设备和计算机可读介质
CN115905864A (zh) 异常数据检测模型训练方法、装置、计算机设备
CN115456684A (zh) 信息触达处理方法、装置、计算机设备和存储介质
US20190005501A1 (en) System and method for malware detection
CN115048561A (zh) 推荐信息确定方法及装置、电子设备和可读存储介质
CN114757700A (zh) 物品销量预测模型训练方法、物品销量预测方法及装置
CN117593096B (zh) 产品信息智能推送方法、装置、电子设备和计算机介质

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