CN116541883B - 基于信任的差分隐私保护方法、装置、设备及存储介质 - Google Patents
基于信任的差分隐私保护方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116541883B CN116541883B CN202310532012.8A CN202310532012A CN116541883B CN 116541883 B CN116541883 B CN 116541883B CN 202310532012 A CN202310532012 A CN 202310532012A CN 116541883 B CN116541883 B CN 116541883B
- Authority
- CN
- China
- Prior art keywords
- trust
- social
- graph
- path
- direct
- 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 40
- 239000011159 matrix material Substances 0.000 claims abstract description 42
- 238000013507 mapping Methods 0.000 claims abstract description 14
- 230000003993 interaction Effects 0.000 claims description 46
- 238000004422 calculation algorithm Methods 0.000 claims description 29
- 238000007781 pre-processing Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 26
- 230000007246 mechanism Effects 0.000 claims description 23
- 230000011273 social behavior Effects 0.000 claims description 18
- 238000013139 quantization Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 11
- 238000010845 search algorithm Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 230000008447 perception Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 10
- 230000006399 behavior Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Bioethics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Business, Economics & Management (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Medical Informatics (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能技术，揭露了一种基于信任的差分隐私保护方法，包括：获取社交图，并从社交图中提取社交节点间的社交因素；根据社交因素利用递归函数计算相邻社交节点的直接信任值，得到直接信任矩阵，并根据直接信任矩阵构建直接信任图；从社交图中查询信任路径集合，查询所述信任路径集合中最受信任的信用路径；计算信用路径两端社交节点的间接信任值，整合所述间接信任值得到间接信任矩阵，根据间接信任矩阵构建间接信任图；利用直接信任图以及间接信任图构建信任网络，将信任网络与隐私级别进行映射，完成基于信任的差分隐私保护。本发明还提出一种基于信任的差分隐私保护装置、设备以及存储介质。本发明可以提高用户隐私保护的安全性。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于信任的差分隐私保护方法、装置、设备及存储介质。
背景技术
在线社交网络(OSNs)已经发展成为一个重要的信息来源途径，而在线社交网络上对个人信息的广泛收集和使用，也导致了严重的隐私问题。为此，人们提出了标识符替换、图修改或图聚类等方法来保护社交网络环境中的隐私。但这种方法无法抵御日益强大的信息窃取，且无法适应OSNs用户的动态需求(如个性化隐私设置)，导致用户的体验感较差。而在实践中，用户在线社交网络(OSNs)允许他们信任的人(如家庭成员)访问他们的准确个人信息，而他们不信任的人(如不熟悉的人)只能允许访问被打乱的数据。
基于信任角度来保护隐私的概念的提出，为用户的隐私保护提供了较好的解决方案。传统的从信任角度保护数据隐私的研究依赖于简单的、个性化的访问控制方法，这些方法往往在不合理的信任角度上对所有用户的信任进行审视，得到用户之间不合理，乃至扭曲的信任关系，导致用户通常缺乏足够的知识来对他们的隐私信息做出明智的决定，用户隐私保护的安全性还不够。
发明内容
本发明提供一种基于信任的差分隐私保护方法、装置、设备及存储介质，可以提高用户隐私保护的安全性。
为实现上述目的，本发明提供的一种基于信任的差分隐私保护方法，包括：
获取社交图，并从所述社交图中提取社交节点间的社交因素；
根据所述社交因素利用递归函数计算所述相邻社交节点的直接信任值，得到直接信任矩阵，并根据所述直接信任矩阵构建直接信任图；
从所述社交图中查询信任路径集合，并利用预设的最大信任聚类算法查询所述信任路径集合中最受信任的信用路径；
计算所述信用路径两端社交节点的间接信任值，整合所述间接信任值得到间接信任矩阵，并根据所述间接信任矩阵构建间接信任图；
利用所述直接信任图以及所述间接信任图构建信任网络，并利用预设的隐私感知机制将所述信任网络与隐私级别进行映射，完成基于信任的差分隐私保护。
可选地，所述从所述社交图中提取社交节点间的社交因素，包括：
获取所述社交图中每个社交节点和每个社交路径；
提取每个所述社交节点的社交实体，提取每个所述社交路径中的社交行为；
从所述社交实体及所述社交行为中提取社交因素。
可选地，所述计算所述相邻社交节点的直接信任值，包括：
提取所述社交因素中的社会关系，并将所述社会关系按照预设的关系类型进行分类，得到社会关系类型表；
利用预设信任概率分配规则对所述社会关系类型表中的每个社会关系类型进行概率分配，得到社会关系类型概率表；
提取所述社交因素中的交互频率和持续时间，并利用预设量化公式将所述交互频率转化为预处理交互频率，利用所述预设量化公式将所述持续时间转化为预处理持续时间；
遍历所述社交图每个社交节点以及查询每个社交节点的社交路径条数，计算每个所述社交节点的度中心性；
根据所述社会关系类型概率表、所述预处理交互频率、所述预处理持续时间以及所述度中心性计算所述相邻社交节点的直接信任值。
可选地，所述利用预设的最大信任聚类算法查询所述信任路径集合中最受信任的信用路径，包括：
基于信任路径搜索算法在所述社交图中查询信任路径集合；
利用信任推理度量算法对所述信任路径集合中的每条信任路径对应的端点之间的信任值；
对所述信任值执行聚类操作，提取所述聚类操作后的聚类中心，并根据所述聚类中心确定端点之间的信用路径的信任度；
提取所述信任度最大的信用路径，得到所述最受信任的信用路径。
可选地，所述利用所述直接信任图以及所述间接信任图构建信任网络，包括：
合并所述直接信任图以及所述间接信任图的对应节点，并利用所述对应节点的信任值标注所述对应节点的节点路径；
整合所述对应节点和所述节点路径，得到所述信任网络。
可选地，所述利用预设的隐私感知机制将所述信任网络与隐私级别进行映射，包括：
利用所述预设的隐私感知机制对所述信任网络中的敏感信息进行加密，得到敏感信息密文；
对所述信任网络中的敏感数据进行加密，得到敏感数据密文；
利用所述敏感信息密文以及所述敏感数据密文配置隐私级别，完成基于信任的差分隐私保护。
可选地，所述利用递归函数计算所述相邻社交节点的直接信任值，包括：
采用下述公式计算所述相邻社交节点的直接信任值T：
T＝η1P(r)+η2F(x|f)+η3D(x|du)+η4DCj
其中，所述P(r)为社会关系类型概率表中概率值，所述F(x|f)为预处理交互频率，所述D(x|du)为预处理持续时间，所述DCj为第j个节点的度中心性，所述η1为第一常数系数，所述η2为第二常数系数，所述η3为第三常数系数，所述η4为第四常数系数。
为了解决上述问题，本发明还提供一种基于信任的差分隐私保护装置，所述装置包括：
社交因素提取模块，用于获取社交图，并从所述社交图中提取社交节点间的社交因素。
信任图构建模块，用于根据所述社交因素利用递归函数计算所述相邻社交节点的直接信任值，得到直接信任矩阵，并根据所述直接信任矩阵构建直接信任图；从所述社交图中查询信任路径集合，并利用预设的最大信任聚类算法查询所述信任路径集合中最受信任的信用路径；计算所述信用路径两端社交节点的间接信任值，整合所述间接信任值得到间接信任矩阵，并根据所述间接信任矩阵构建间接信任图。
差分隐私保护模块，用于利用所述直接信任图以及所述间接信任图构建信任网络，并利用预设的隐私感知机制将所述信任网络与隐私级别进行映射，完成基于信任的差分隐私保护。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的基于信任的差分隐私保护方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于信任的差分隐私保护方法。
本发明实施例从用户间的社交图中获取到的社交因素计算直接信任值，可以将用户间的社交行为从社交角度转换为信任角度，将用户间的社交属性基于信任的角度进行量化，可以直观地体现出用户间的信任强度。另外，再通过信用路径以及信用路径两个端点计算非相邻用户的间接信任值，可以对非相邻用户之间的社交行为信任化。再者，利用直接信任图以及间接信任图构建信任网络，再将信任网络转换为隐私网络，通过信任网络来对访问用户的隐私查询请求进行处理，可以从信任角度完成对访问用户请求的处理以及实现隐私用户的隐私保护。本发明可以提高用户隐私保护的安全性。
附图说明
图1为本发明一实施例提供的基于信任的差分隐私保护方法的流程示意图；
图2为本发明一实施例提供的基于信任的差分隐私保护方法的一实施例的说明图；
图3为本发明一实施例提供的一种基于信任的差分隐私保护装置的功能模块图；
图4为本发明一实施例提供的实现所述一种基于信任的差分隐私保护方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于信任的差分隐私保护方法。所述一种基于信任的差分隐私保护方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述一种基于信任的差分隐私保护方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content DeliveryNetwork，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的基于信任的差分隐私保护方法的流程示意图。在本实施例中，所述基于信任的差分隐私保护方法包括：
S1、获取社交图，并从所述社交图中提取社交节点间的社交因素；
本发明实施例中，所述社交图是指具有社交路径以及社交节点的联通图，其中，所述社交路径是指两个用户间的社交联系以及社交行为，例如，用户甲就用户乙的一段话在网上点赞，则所述社交路径就是用户甲的所有交互行为。所述社交节点是指社交图中的社交实体，社交实体可以是个人、组织等。例如，上述例子中‘用户甲就用户乙的一段话在网上点赞’中的用户甲以及用户乙就是社交实体中的个人实体。
作为本发明一实施例，所述从所述社交图中提取社交节点间的社交因素，包括：
获取所述社交图中每个社交节点和每个社交路径；
提取每个所述社交节点的社交实体，提取每个所述社交路径中的社交行为；
从所述社交实体及所述社交行为中提取社交因素。
本发明实施例中，所述社交因素是指用户间交互行为产生的互动因子，例如，所述社交因素包括交互频率、交互时长、用户的度中心性等。
本发明实施例中，所述社交行为是指用户与用户之间的交互行为，例如，所述社交行为可以是点赞、评论以及留言等行为。
本发明实施例通过从所述社交图中提取社交节点间的社交因素，可以实现社交图的深度分解，挖掘社交图中深层次的信息，以便于后续基于社交因素对信任值的计算。
S2、根据所述社交因素利用递归函数计算所述相邻社交节点的直接信任值，得到直接信任矩阵，并根据所述直接信任矩阵构建直接信任图。
本发明实施例中，所述递归函数是指在递归终止条件下可以无限次调用计算的函数，常用于将问题分解为同类的子问题。另外，递归函数可以用来实现一些数学公式或算法的推理。
作为本发明一实施例，所述计算所述相邻社交节点的直接信任值，包括：
提取所述社交因素中的社会关系，并将所述社会关系按照预设的关系类型进行分类，得到社会关系类型表；
利用预设信任概率分配规则对所述社会关系类型表中的每个社会关系类型进行概率分配，得到社会关系类型概率表；
提取所述社交因素中的交互频率和持续时间，并利用预设量化公式将所述交互频率转化为预处理交互频率，利用所述预设量化公式将所述持续时间转化为预处理持续时间；
遍历所述社交图每个社交节点以及查询每个社交节点的社交路径条数，计算每个所述社交节点的度中心性；
根据所述社会关系类型概率表、所述预处理交互频率、所述预处理持续时间以及所述度中心性计算所述相邻社交节点的直接信任值。
本发明实施例中，所述社会关系是指社交实体之间的亲疏关系，例如，所述社会关系可以是亲密关系、朋友关系、熟识关系、肤浅的熟人关系、糟糕的熟人关系等。
本发明实施例中，所述社会关系类型概率表是指将社会关系中每个等级的社会关系赋予不同信任概率值，例如，上述社会关系中的亲密关系的概率值可以为1，肤浅的熟人关系可以为0.25。
本发明实施例利用预设量化公式将所述交互频率转化为预处理交互频率，可采用下述公式：
其中，所述F(x|f)为预处理交互频率，所述x为社交实体，所述f为交互频率预设条件，所述μF为交互频率平均值，所述σF为交互频率预设条件下交互频率的标准差。
本发明实施例利用所述预设量化公式将所述持续时间转化为预处理持续时间，可采用下述公式：
其中，所述D(x|du)为预处理持续时间，所述x为社交实体，所述du为持续时间预设条件，所述σD为持续时间预设条件下持续时间的标准差，所述μD为持续时间均值。
本发明实施例计算每个所述社交节点的度中心性，可采用下述公式：
本发明实施例中，所述dj表示用户j的直接邻居数，所述dk为用户k的直接邻居数，所述Max1≤k≤N{dk}为所述社交图中用户K的最高节点度。
本发明实施例中，所述最高节点度是指一个节点与其他节点直接相连的边的数量。反映了一个节点在网络中的影响力和社交圈子的大小。
本发明实施例利用递归函数计算所述相邻社交节点的直接信任值，可采用下述公式：
T＝η1P(r)+η2F(x|f)+η3D(x|du)+η4DCj
其中，所述P(r)为社会关系类型概率表中概率值，所述F(x|f)为预处理交互频率，所述D(x|du)为预处理持续时间，所述DCj为第j个节点的度中心性，所述η1为第一常数系数，所述η2为第二常数系数，所述η3为第三常数系数，所述η4为第四常数系数，
本发明实施例中，所述直接信任矩阵是指反映用户之间的直接信任关系的信任图，可用两个直接用户之间的信任值作为矩阵元素进行直接信任矩阵的构建。
S3、从所述社交图中查询信任路径集合，并利用预设的最大信任聚类算法查询所述信任路径集合中最受信任的信用路径。
本发明实施例中，所述信任路径集合是指社交图中社交实体之间的信任连接线。
作为本发明一实施例，所述利用预设的最大信任聚类算法查询所述信任路径集合中最受信任的信用路径，包括：
基于信任路径搜索算法在所述社交图中查询信任路径集合；
利用所述信任推理度量算法对所述信任路径集合中的每条信任路径对应的端点之间的信任值；
对所述信任值执行聚类操作，提取所述聚类操作后的聚类中心，并根据所述聚类中心确定端点之间的信用路径的信任度；
提取最大所述信任度的信用路径，得到所述最受信任的信用路径。
本发明实施例中，所述信任路径搜索算法(Trust Path Searching，TPS)是指用于在社交网络中寻找可信任路径的算法，所述信任路径搜索算法的基本思想是给定一个源节点和一个目标节点，通过一些搜索算法，找到连接两个节点的最优的信任路径，即具有最高信任值和最短长度的路径。
本发明实施例中，所述信任度量推理算法(Trust Inference Measuring，TIM)是指计算和推断信任值的算法，所述信任度量推理算法的基本思想是，给定一个信任网络，其中每个节点代表一个实体，每条边代表一个直接信任值，通过一些数学模型和逻辑规则，计算出任意两个节点之间的间接信任值。
本发明实施例对所述信任值执行聚类操作，可采用最大信任聚类算法。
S4、计算所述信用路径两端社交节点的间接信任值，整合所述间接信任值得到间接信任矩阵，并根据所述间接信任矩阵构建间接信任图。
本发明实施例中，所述间接信任值是指相隔有另外的一个或多个社交实体的两个社交实体之间的信任值。
本发明实施例计算所述信用路径两端社交节点的间接信任值，可采用下述公式：
其中，所述 所述L表示节点i和j之间的最短路径长度，所述P为社交图中信任路径集合，所述Sp为信任路径集合P的信任参数，所述/>为信任路径集合中第j个节点与其他不为j的节点中第i个节点的直接信任值，所述/>为信任路径集合的直接信任值均值，所述ti为第i个节点的直接信任值，所述/>为信任路径集合的方差，所述/>为最短路径长度占信任路径集合的比值，所述α为第一信任权重，所述β为第二信任权重，所述γ为第三信任权重。
S5、利用所述直接信任图以及所述间接信任图构建信任网络，并利用预设的隐私感知机制将所述信任网络与隐私级别进行映射，完成基于信任的差分隐私保护。
本发明实施例中，所述预设的隐私感知机制是指基于用户的隐私偏好和需求，对隐私数据进行识别、标记、度量和保护的机制。
作为本发明一实施例，所述利用预设的隐私感知机制将所述信任网络与隐私级别进行映射，包括：
利用所述预设的隐私感知机制对所述信任网络中的敏感信息进行加密，得到敏感信息密文；
对所述信任网络中的敏感数据进行加密，得到敏感数据密文；
利用所述敏感信息密文以及所述敏感数据密文配置隐私级别，完成基于信任的差分隐私保护。
本发明实时例利用预设的隐私感知机制将所述信任网络与隐私级别进行映射之后，针对用户甲的查询，用户乙可根据隐私级别进行响应。
参照图2所示，为了消除信任的主观属性，在隐私级别的配置中应用了模糊信任逻辑。例如，模糊信任分层集的含义被分别定义为极低(VL)、低(L)、中等(M)、高(H)和极高(VH)，相应的隐私级别模糊集的含义被分别定义为:极高(VH)、高(H)、中(M)、低(L)和极低(VL)。
本发明实施例从用户间的社交图中获取到的社交因素计算直接信任值，可以将用户间的社交行为从社交角度转换为信任角度，将用户间的社交属性基于信任的角度进行量化，可以直观地体现出用户间的信任强度。另外，再通过信用路径以及信用路径两个端点计算非相邻用户的间接信任值，可以对非相邻用户之间的社交行为信任化。再者，利用直接信任图以及间接信任图构建信任网络，再将信任网络转换为隐私网络，通过信任网络来对访问用户的隐私查询请求进行处理，可以从信任角度完成对访问用户请求的处理以及实现隐私用户的隐私保护。
如图3所示，是本发明一实施例提供的一种基于信任的差分隐私保护装置的功能模块图。
本发明所述一种基于信任的差分隐私保护装置100可以安装于电子设备中。根据实现的功能，所述一种基于信任的差分隐私保护装置100可以包括社交因素提取模块101、信任图构建模块102以及差分隐私保护模块103。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述社交因素提取模块101，用于获取社交图，并从所述社交图中提取社交节点间的社交因素。
本发明实施例中，所述社交图是指具有社交路径以及社交节点的联通图，其中，所述社交路径是指两个用户间的社交联系以及社交行为，例如，用户甲就用户乙的一段话在网上点赞，则所述社交路径就是用户甲的所有交互行为。所述社交节点是指社交图中的社交实体，社交实体可以是个人、组织等。例如，上述例子中‘用户甲就用户乙的一段话在网上点赞’中的用户甲以及用户乙就是社交实体中的个人实体。
作为本发明一实施例，所述从所述社交图中提取社交节点间的社交因素，包括：
获取所述社交图中每个社交节点和每个社交路径；
提取每个所述社交节点的社交实体，提取每个所述社交路径中的社交行为；
从所述社交实体及所述社交行为中提取社交因素。
本发明实施例中，所述社交因素是指用户间交互行为产生的互动因子，例如，所述社交因素包括交互频率、交互时长、用户的度中心性等。
本发明实施例中，所述社交行为是指用户与用户之间的交互行为，例如，所述社交行为可以是点赞、评论以及留言等行为。
本发明实施例通过从所述社交图中提取社交节点间的社交因素，可以实现社交图的深度分解，挖掘社交图中深层次的信息，以便于后续基于社交因素对信任值的计算。
所述信任图构建模块102，用于根据所述社交因素利用递归函数计算所述相邻社交节点的直接信任值，得到直接信任矩阵，并根据所述直接信任矩阵构建直接信任图；从所述社交图中查询信任路径集合，并利用预设的最大信任聚类算法查询所述信任路径集合中最受信任的信用路径；计算所述信用路径两端社交节点的间接信任值，整合所述间接信任值得到间接信任矩阵，并根据所述间接信任矩阵构建间接信任图。
本发明实施例中，所述递归函数是指在递归终止条件下可以无限次调用计算的函数，常用于将问题分解为同类的子问题。另外，递归函数可以用来实现一些数学公式或算法的推理。
作为本发明一实施例，所述计算所述相邻社交节点的直接信任值，包括：
提取所述社交因素中的社会关系，并将所述社会关系按照预设的关系类型进行分类，得到社会关系类型表；
利用预设信任概率分配规则对所述社会关系类型表中的每个社会关系类型进行概率分配，得到社会关系类型概率表；
提取所述社交因素中的交互频率和持续时间，并利用预设量化公式将所述交互频率转化为预处理交互频率，利用所述预设量化公式将所述持续时间转化为预处理持续时间；
遍历所述社交图每个社交节点以及查询每个社交节点的社交路径条数，计算每个所述社交节点的度中心性；
根据所述社会关系类型概率表、所述预处理交互频率、所述预处理持续时间以及所述度中心性计算所述相邻社交节点的直接信任值。
本发明实施例中，所述社会关系是指社交实体之间的亲疏关系，例如，所述社会关系可以是亲密关系、朋友关系、熟识关系、肤浅的熟人关系、糟糕的熟人关系等。
本发明实施例中，所述社会关系类型概率表是指将社会关系中每个等级的社会关系赋予不同信任概率值，例如，上述社会关系中的亲密关系的概率值可以为1，肤浅的熟人关系可以为0.25。
本发明实施例利用预设量化公式将所述交互频率转化为预处理交互频率，可采用下述公式：
其中，所述F(x|f)为预处理交互频率，所述x为社交实体，所述f为交互频率预设条件，所述μF为交互频率平均值，所述σF为交互频率预设条件下交互频率的标准差。
本发明实施例利用所述预设量化公式将所述持续时间转化为预处理持续时间，可采用下述公式：
其中，所述D(x|du)为预处理持续时间，所述x为社交实体，所述du为持续时间预设条件，所述σD为持续时间预设条件下持续时间的标准差，所述μD为持续时间均值。
本发明实施例计算每个所述社交节点的度中心性，可采用下述公式：
本发明实施例中，所述dj表示用户j的直接邻居数，所述dk为用户k的直接邻居数，所述Max1≤k≤N{dk}为所述社交图中用户k的最高节点度。
本发明实施例中，所述最高节点度是指一个节点与其他节点直接相连的边的数量。反映了一个节点在网络中的影响力和社交圈子的大小。
本发明实施例利用递归函数计算所述相邻社交节点的直接信任值，可采用下述公式：
T＝η1P(r)+η2F(x|f)+η3D(x|du)+η4DCj
其中，所述P(r)为社会关系类型概率表中概率值，所述F(x|f)为预处理交互频率，所述D(x|du)为预处理持续时间，所述DCj为第j个节点的度中心性，所述η1为第一常数系数，所述η2为第二常数系数，所述η3为第三常数系数，所述η4为第四常数系数，
本发明实施例中，所述直接信任矩阵是指反映用户之间的直接信任关系的信任图，可用两个直接用户之间的信任值作为矩阵元素进行直接信任矩阵的构建。
本发明实施例中，所述信任路径集合是指社交图中社交实体之间的信任连接线。
作为本发明一实施例，所述利用预设的最大信任聚类算法查询所述信任路径集合中最受信任的信用路径，包括：
基于信任路径搜索算法在所述社交图中查询信任路径集合；
利用所述信任推理度量算法对所述信任路径集合中的每条信任路径对应的端点之间的信任值；
对所述信任值执行聚类操作，提取所述聚类操作后的聚类中心，并根据所述聚类中心确定端点之间的信用路径的信任度；
提取最大所述信任度的信用路径，得到所述最受信任的信用路径。
本发明实施例中，所述信任路径搜索算法(Trust Path Searching，TPS)是指用于在社交网络中寻找可信任路径的算法，所述信任路径搜索算法的基本思想是给定一个源节点和一个目标节点，通过一些搜索算法，找到连接两个节点的最优的信任路径，即具有最高信任值和最短长度的路径。
本发明实施例中，所述信任度量推理算法(Trust Inference Measuring，TIM)是指计算和推断信任值的算法，所述信任度量推理算法的基本思想是，给定一个信任网络，其中每个节点代表一个实体，每条边代表一个直接信任值，通过一些数学模型和逻辑规则，计算出任意两个节点之间的间接信任值。
本发明实施例对所述信任值执行聚类操作，可采用最大信任聚类算法。
本发明实施例中，所述间接信任值是指相隔有另外的一个或多个社交实体的两个社交实体之间的信任值。
本发明实施例计算所述信用路径两端社交节点的间接信任值，可采用下述公式：
其中，所述 所述L表示节点i和j之间的最短路径长度，所述P为社交图中信任路径集合，所述Sp为信任路径集合P的信任参数，所述/>为信任路径集合中第j个节点与其他不为j的节点中第i个节点的直接信任值，所述/>为信任路径集合的直接信任值均值，所述ti为第i个节点的直接信任值，所述/>为信任路径集合的方差，所述/>为最短路径长度占信任路径集合的比值，所述α为第一信任权重，所述β为第二信任权重，所述γ为第三信任权重。
所述差分隐私保护模块103，用于利用所述直接信任图以及所述间接信任图构建信任网络，并利用预设的隐私感知机制将所述信任网络与隐私级别进行映射，完成基于信任的差分隐私保护。
本发明实施例中，所述预设的隐私感知机制是指基于用户的隐私偏好和需求，对隐私数据进行识别、标记、度量和保护的机制。
作为本发明一实施例，所述利用预设的隐私感知机制将所述信任网络与隐私级别进行映射，包括：
利用所述预设的隐私感知机制对所述信任网络中的敏感信息进行加密，得到敏感信息密文；
对所述信任网络中的敏感数据进行加密，得到敏感数据密文；
利用所述敏感信息密文以及所述敏感数据密文配置隐私级别，完成基于信任的差分隐私保护。
本发明实时例利用预设的隐私感知机制将所述信任网络与隐私级别进行映射之后，针对用户甲的查询，用户乙可根据隐私级别进行响应。
本发明实施例中，为了消除信任的主观属性，在隐私级别的配置中应用了模糊信任逻辑。例如，模糊信任分层集的含义被分别定义为极低(VL)、低(L)、中等(M)、高(H)和极高(VH)，相应的隐私级别模糊集的含义被分别定义为:极高(VH)、高(H)、中(M)、低(L)和极低(VL)。
如图4所示，是本发明一实施例提供的实现一种基于信任的差分隐私保护方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如一种基于信任的差分隐私保护方法程序。
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing Unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行一种基于信任的差分隐私保护方法程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如一种基于信任的差分隐私保护方法程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图4仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图4示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的一种基于信任的差分隐私保护方法程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取社交图，并从所述社交图中提取社交节点间的社交因素；
根据所述社交因素利用递归函数计算所述相邻社交节点的直接信任值，得到直接信任矩阵，并根据所述直接信任矩阵构建直接信任图；
从所述社交图中查询信任路径集合，并利用预设的最大信任聚类算法查询所述信任路径集合中最受信任的信用路径；
计算所述信用路径两端社交节点的间接信任值，整合所述间接信任值得到间接信任矩阵，并根据所述间接信任矩阵构建间接信任图；
利用所述直接信任图以及所述间接信任图构建信任网络，并利用预设的隐私感知机制将所述信任网络与隐私级别进行映射，完成基于信任的差分隐私保护。
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取社交图，并从所述社交图中提取社交节点间的社交因素；
根据所述社交因素利用递归函数计算所述相邻社交节点的直接信任值，得到直接信任矩阵，并根据所述直接信任矩阵构建直接信任图；
从所述社交图中查询信任路径集合，并利用预设的最大信任聚类算法查询所述信任路径集合中最受信任的信用路径；
计算所述信用路径两端社交节点的间接信任值，整合所述间接信任值得到间接信任矩阵，并根据所述间接信任矩阵构建间接信任图；
利用所述直接信任图以及所述间接信任图构建信任网络，并利用预设的隐私感知机制将所述信任网络与隐私级别进行映射，完成基于信任的差分隐私保护。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (9)
1.一种基于信任的差分隐私保护方法，其特征在于，所述方法包括：
获取社交图，并从所述社交图中提取社交节点间的社交因素；
根据所述社交因素利用递归函数计算相邻社交节点间的直接信任值，得到直接信任矩阵，并根据所述直接信任矩阵构建直接信任图；
从所述社交图中查询信任路径集合，并利用预设的最大信任聚类算法查询所述信任路径集合中最受信任的信用路径；
计算所述信用路径两端社交节点的间接信任值，整合所述间接信任值得到间接信任矩阵，并根据所述间接信任矩阵构建间接信任图；
利用所述直接信任图以及所述间接信任图构建信任网络，并利用预设的隐私感知机制将所述信任网络与隐私级别进行映射，完成基于信任的差分隐私保护；
其中，所述计算相邻社交节点间的直接信任值，包括：提取所述社交因素中的社会关系，并将所述社会关系按照预设的关系类型进行分类，得到社会关系类型表；
利用预设信任概率分配规则对所述社会关系类型表中的每个社会关系类型进行概率分配，得到社会关系类型概率表；
提取所述社交因素中的交互频率和持续时间，并利用预设量化公式将所述交互频率转化为预处理交互频率，利用所述预设量化公式将所述持续时间转化为预处理持续时间；
遍历所述社交图每个社交节点以及查询每个社交节点的社交路径条数，计算每个所述社交节点的度中心性；
根据所述社会关系类型概率表、所述预处理交互频率、所述预处理持续时间以及所述度中心性计算所述相邻社交节点的直接信任值。
2.如权利要求1所述的基于信任的差分隐私保护方法，其特征在于，所述从所述社交图中提取社交节点间的社交因素，包括：
获取所述社交图中每个社交节点和每个社交路径；
提取每个所述社交节点的社交实体，提取每个所述社交路径中的社交行为；
从所述社交实体及所述社交行为中提取社交因素。
3.如权利要求1所述的基于信任的差分隐私保护方法，其特征在于，所述利用预设的最大信任聚类算法查询所述信任路径集合中最受信任的信用路径，包括：
基于信任路径搜索算法在所述社交图中查询信任路径集合；
利用信任推理度量算法对所述信任路径集合中的每条信任路径对应的端点之间的信任值；
对所述信任值执行聚类操作，提取所述聚类操作后的聚类中心，并根据所述聚类中心确定端点之间的信用路径的信任度；
提取所述信任度最大的信用路径，得到所述最受信任的信用路径。
4.如权利要求1所述的基于信任的差分隐私保护方法，其特征在于，所述利用所述直接信任图以及所述间接信任图构建信任网络，包括：
合并所述直接信任图以及所述间接信任图的对应节点，并利用所述对应节点的信任值标注所述对应节点的节点路径；
整合所述对应节点和所述节点路径，得到所述信任网络。
5.如权利要求1所述的基于信任的差分隐私保护方法，其特征在于，所述利用预设的隐私感知机制将所述信任网络与隐私级别进行映射，包括：
利用所述预设的隐私感知机制对所述信任网络中的敏感信息进行加密，得到敏感信息密文；
对所述信任网络中的敏感数据进行加密，得到敏感数据密文；
利用所述敏感信息密文以及所述敏感数据密文配置隐私级别，完成基于信任的差分隐私保护。
6.如权利要求1所述的基于信任的差分隐私保护方法，其特征在于，所述利用递归函数计算所述相邻社交节点的直接信任值，包括：
采用下述公式计算所述相邻社交节点的直接信任值T：
T＝η1P(r)+η2F(x|f)+η3D(x|du)+η4DCj
其中，所述P(r)为社会关系类型概率表中概率值，所述F(x|f)为预处理交互频率，所述D(x|du)为预处理持续时间，所述DCj为第j个节点的度中心性，所述η1为第一常数系数，所述η2为第二常数系数，所述η3为第三常数系数，所述η4为第四常数系数。
7.一种基于信任的差分隐私保护装置，其特征在于，所述装置可以实现如权利要求1至6中任意一项所述的基于信任的差分隐私保护方法，所述装置包括：
社交因素提取模块，用于获取社交图，并从所述社交图中提取社交节点间的社交因素；
信任图构建模块，用于根据所述社交因素利用递归函数计算所述相邻社交节点的直接信任值，得到直接信任矩阵，并根据所述直接信任矩阵构建直接信任图；从所述社交图中查询信任路径集合，并利用预设的最大信任聚类算法查询所述信任路径集合中最受信任的信用路径；计算所述信用路径两端社交节点的间接信任值，整合所述间接信任值得到间接信任矩阵，并根据所述间接信任矩阵构建间接信任图；
差分隐私保护模块，用于利用所述直接信任图以及所述间接信任图构建信任网络，并利用预设的隐私感知机制将所述信任网络与隐私级别进行映射，完成基于信任的差分隐私保护。
8.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至6中任意一项所述的基于信任的差分隐私保护方法。
9.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任意一项所述的基于信任的差分隐私保护方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310532012.8A CN116541883B (zh) | 2023-05-10 | 2023-05-10 | 基于信任的差分隐私保护方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310532012.8A CN116541883B (zh) | 2023-05-10 | 2023-05-10 | 基于信任的差分隐私保护方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116541883A CN116541883A (zh) | 2023-08-04 |
| CN116541883B true CN116541883B (zh) | 2023-11-17 |
Family
ID=87450193
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310532012.8A Active CN116541883B (zh) | 2023-05-10 | 2023-05-10 | 基于信任的差分隐私保护方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116541883B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117235800B (zh) * | 2023-10-27 | 2024-05-28 | 重庆大学 | 基于秘密规范的个性化隐私保护机制的数据查询保护方法 |
| CN117494196B (zh) * | 2023-10-31 | 2024-05-14 | 重庆大学 | 一种基于差分隐私保护的好友匹配方法和系统 |
| CN117744139B (zh) * | 2023-12-12 | 2024-05-14 | 重庆大学 | 面向社交网络的协作式个性化边差分隐私保护方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2131552A2 (en) * | 2008-06-05 | 2009-12-09 | Deutsche Telekom AG | A method for creating community of strangers using trust based reputation methods |
| CN109858279A (zh) * | 2019-01-16 | 2019-06-07 | 安徽师范大学 | 基于信任激励和位置隐私保护的k近邻查询方法 |
| CN110069940A (zh) * | 2019-03-15 | 2019-07-30 | 上海大学 | 移动群感知网络中基于激励机制的隐私保护系统和方法 |
| CN116011540A (zh) * | 2022-12-13 | 2023-04-25 | 西安交通大学 | 一种基于社交分组的联邦学习方法和装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101232855B1 (ko) * | 2010-12-07 | 2013-02-13 | 경북대학교 산학협력단 | 자원공유를 위한 소셜 네트워크 시스템, 이의 구축 및 유지방법 |
-
2023
- 2023-05-10 CN CN202310532012.8A patent/CN116541883B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2131552A2 (en) * | 2008-06-05 | 2009-12-09 | Deutsche Telekom AG | A method for creating community of strangers using trust based reputation methods |
| CN109858279A (zh) * | 2019-01-16 | 2019-06-07 | 安徽师范大学 | 基于信任激励和位置隐私保护的k近邻查询方法 |
| CN110069940A (zh) * | 2019-03-15 | 2019-07-30 | 上海大学 | 移动群感知网络中基于激励机制的隐私保护系统和方法 |
| CN116011540A (zh) * | 2022-12-13 | 2023-04-25 | 西安交通大学 | 一种基于社交分组的联邦学习方法和装置 |
Non-Patent Citations (2)
| Title |
|---|
| Research on social recommendation algorithm based on fuzzy subjective trust;Beibei Jin 等;CONNECTION SCIENCE;第34卷(第1期);第1540-1555页 * |
| Trustworthiness Inference Framework in the Social Internet of Things: A Context-Aware Approach;Hui Xia 等;IEEE INFOCOM 2019 - IEEE Conference on Computer Communications;第838-846页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116541883A (zh) | 2023-08-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116541883B (zh) | 基于信任的差分隐私保护方法、装置、设备及存储介质 | |
| CN106874253A (zh) | 识别敏感信息的方法及装置 | |
| CN109784736A (zh) | 一种基于大数据的分析决策系统 | |
| CN114612194A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
| CN113868528A (zh) | 资讯推荐方法、装置、电子设备及可读存储介质 | |
| CN114781832A (zh) | 课程推荐方法、装置、电子设备及存储介质 | |
| CN107070932B (zh) | 社会网络动态发布中防止标签邻居攻击的匿名方法 | |
| CN112507230A (zh) | 基于浏览器的网页推荐方法、装置、电子设备及存储介质 | |
| CN116483976A (zh) | 挂号科室推荐方法、装置、设备及存储介质 | |
| WO2022227171A1 (zh) | 关键信息提取方法、装置、电子设备及介质 | |
| CN111930963B (zh) | 知识图谱生成方法、装置、电子设备及存储介质 | |
| CN113505273A (zh) | 基于重复数据筛选的数据排序方法、装置、设备及介质 | |
| CN111209403A (zh) | 数据处理方法、装置、介质及电子设备 | |
| CN116823437A (zh) | 基于配置化风控策略的准入方法、装置、设备及介质 | |
| CN115204971B (zh) | 产品推荐方法、装置、电子设备及计算机可读存储介质 | |
| CN113657546B (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
| CN114743003B (zh) | 基于图像分类的因果解释方法、装置、设备及存储介质 | |
| CN114157634B (zh) | 唯一账号识别方法、装置、设备及存储介质 | |
| CN111652741B (zh) | 用户偏好分析方法、装置及可读存储介质 | |
| CN113987206A (zh) | 异常用户的识别方法、装置、设备及存储介质 | |
| CN117744139B (zh) | 面向社交网络的协作式个性化边差分隐私保护方法及装置 | |
| US20200081875A1 (en) | Information Association And Suggestion | |
| CN113051475B (zh) | 内容推荐方法、装置、电子设备及可读存储介质 | |
| CN112328960B (zh) | 数据运算的优化方法、装置、电子设备及存储介质 | |
| CN113887621B (zh) | 问答资源调整方法、装置、设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |