欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2019110912035
申请人: 安徽大学
专利类型:发明专利
专利状态:未下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于差分隐私保护的集成推荐方法,其特征是按如下步骤进行:步骤一、从评分网站上获取用户对项目的历史评分数据集:所述评分数据集上有n个用户,记为User={u1,u2,...,ui,...,un},其中ui表示第i个评分用户,1≤i≤n;所述评分数据集上有m个项目,记为Item={v1,v2,...,vj,...,vm},其中vj表示第j个评分项目,1≤j≤m;将所述评分数据集中第i个用户ui对第j个项目vj的评分数据记为rij,从而得到所有用户对所有项目的评分数据所组成的评分矩阵Rn×m;

步骤二、对评分数据集加入含隐私分配的噪声,得到预处理后的评分矩阵步骤2.1、利用式(1)计算评分矩阵Rn×m加噪后的全局平均GAvg:式(1)中,|R|表示评分矩阵Rn×m中有效评分值的计数,rmin表示评分矩阵Rn×m中的评分最小值,rmax表示评分矩阵Rn×m中的评分最大值,ε1表示第一隐私预算参数,Laplace()表示拉普拉斯噪声的随机生成函数,并有:

步骤2.2、利用式(3)计算评分矩阵Rn×m中第j个评分项目vj加噪后的平均评分IAvg(j):式(3)中,|Rj|表示第j个评分项目vj中有效评分值的计数,rmin,j表示评分矩阵Rn×m中第j个评分项目vj的评分最小值,rmax,j表示评分矩阵Rn×m中第j个评分项目vj的评分最大值,β1表示添加的加噪后全局平均评分的个数,ε2表示第二隐私预算参数,并有:步骤2.3、将评分矩阵Rn×m中的所有评分数据减去加噪后相应评分项目的平均评分后,得到折扣后的评分矩阵为R′={r′ij|i=1,2,…,n;j=1,2,…,m};r′ij表示折扣后评分矩阵R′中第i个用户ui对第j个项目vj的评分值,且r′ij=rij‑IAvg(j);

利用式(5)计算折扣后的评分矩阵R′的加噪后全局平均评分G′Avg;

式(5)中,|R′|表示折扣后的评分矩阵R′中有效评分值的计数,r′min表示折扣后的评分矩阵R′中评分最小值,r′max表示折扣后的评分矩阵R′中评分最大值,ε3表示第三隐私预算参数,并有:

步骤2.4、利用式(7)计算折扣后的评分矩阵R′中第i个评分用户ui的加噪后平均评分UAvg(i):

式(7)中,|Ri|表示第i个评分用户ui的有效评分值的计数,r′min,i表示折扣后的评分矩阵R′中第i个评分用户ui的评分最小值,r′max,i表示折扣后的评分矩阵R′中第i个评分用户ui的评分最大值,β2表示添加的加噪后折扣全局平均评分的个数,ε4表示第四隐私预算参数,并有:

步骤2.5、利用式(9)计算第i个评分用户ui对第j个评分项目vj的预处理后的评分 并用于填充评分矩阵Rn×m中第i行第j列的空白评分rij,从而得到预处理后的评分矩阵步骤三、计算评分矩阵Rn×m中用户间的相似度值,构造用户相似度矩阵Sim,选取与第i个评分用户ui最相似的top‑k个用户;

步骤3.1、利用式(10)计算评分矩阵Rn×m中第i个评分用户ui和第x个评分用户ux的皮尔森相似度PCC(i,x):

式(10)中,Gj是评分集合G的子集,Gj表示第i个评分用户ui和第x个评分用户ux都对第j个评分项目vj进行过评分,G是第i个评分用户ui和第x个评分用户ux对所有同一个项目进行过评分的集合,表示第i个评分用户ui的项目平均值,rxj表示第x个评分用户ux对第j个评分项目vj的评分值,表示第x个评分用户ux的项目平均值;

步骤3.2、利用式(11)计算评分矩阵Rn×m中第i个评分用户ui和第x个评分用户ux公共评分的权重weightcom(i,x):式(11)中,|G|表示集合G中元素的个数,tot(i,x)表示评分矩阵Rn×m中第i个评分用户ui和第x个评分用户ux进行评分的项目数量总计数;

步骤3.3、利用式(12)计算评分差异值的倒数式(12)中,dif(i,x)表示评分矩阵Rn×m中第i个评分用户ui和第x个评分用户ux的评分差异值,exp()表示以自然常数e为底的指数函数;

步骤3.4、利用式(13)计算评分矩阵Rn×m中第i个评分用户ui和第x个评分用户ux的相似度sim(i,x):

步骤3.5、根据所述相似度sim(i,x),构造用户相似度矩阵Sim={sim(i,x)|i=1,

2,...,n;x=1,2,...,n};

步骤3.6、从用户相似度矩阵Sim中选取最高的前k个相似度值对应的用户组成当前第i个评分用户ui最相似的top‑k个用户集合T(i);

步骤四、集成协同过滤和矩阵分解方法,对预处理后的评分矩阵 进行训练,得到预测评分矩阵 依次有序推荐给服务用户;

步骤4.1、参数定义:平衡系数为α,学习率参数为γ,规则参数为λ,潜在因子数为d,梯度下降算法的最大迭代次数为tmax,当前梯度下降算法的迭代次数为t,预测误差的上界为errormax,第五隐私预算参数为ε5;

步骤4.2、利用式(15)最小化损失函数l(Pn×d,Qm×d),迭代更新得到用户因子矩阵Pn×d和项目因子矩阵Qm×d:

式(14)中,||pi||表示用户因子矩阵Pn×d的第i行元素的范数,||qi||表示项目因子矩阵Qm×d的第j行元素的范数, 表示第i个用户ui对第j个项目vj的预测评分;

步骤4.3、初始化t=1,并随机初始化用户因子矩阵 和项目因子矩阵步骤4.4、利用式(15)得到第t次迭代中第i个用户ui对第j个项目vj的预测评分式(15)中, 表示第t次迭代的用户因子矩阵 的第i行元素, 表示第t次迭代的项目因子矩阵 的第j行元素,T表示转置;

步骤4.5、利用式(16)得到第t次迭代中随机生成的扰动噪声向量式(16)中, 表示预处理后的评分矩阵 的评分理论最大值, 表示预处理后的评分矩阵 的评分理论最小值;

骤4.6、利用式(17)得到第t次迭代中第i个用户ui对第j个项目vj的加噪后的预测评分误差

步骤4.7、利用式(18)得到进行限定处理后预测误差步骤4.8、利用式(19)对第t次迭代中的用户因子矩阵 中第i行元素 进行更新操作,得到第t+1次迭代的用户因子矩阵 中第i行元素步骤4.9、利用式(20)对第t次迭代中的项目因子矩阵 第j行元素 进行更新操作,得到第t+1次迭代的项目因子矩阵 中的第j行元素步骤4.10、重复上述步骤4.4到步骤4.9,得到第t+1次迭代用户因子矩阵 和项目因子矩阵

步骤4.11、将t+1赋值给t后,判断迭代次数t>tmax是否成立,如果成立,则表示梯度下降算法的迭代完成,并得到最终的用户因子矩阵Pn×d和项目因子矩阵Qm×d即为第tmax次迭代得到的用户因子矩阵 和项目因子矩阵 否则,返回执行步骤4.3;

步骤4.12、利用式(21)计算预测评分矩阵 并从所述预测评分矩阵 得到第i个用户ui对所有项目的预测评分 从而从所述第i个用户ui的预测评分 中按序选取预测评分最高的若干个评分项目推荐给第i个用户ui;