基于隐私保护的推荐方法技术

本发明专利技术公开了一种基于隐私保护的推荐方法，在用户和电子商务平台服务器中设置半可信第三方机构，电子商务平台服务器公开所有商品的特征向量，用户从服务器中获取商品特征向量，根据其自身的购买数据在本地学习其用户特征向量，并据此计算对商品特征向量的更新梯度，采用全局噪声向量和临时噪声进行扰动后发送至半可信第三方机构，半可信第三方机构对扰动后的更新梯度进行聚合并发送给服务器，服务器对接收到的更新梯度去除扰动，然后对商品特征向量进行更新，用户再根据更新后的商品特征向量计算得到预测交互向量，从而得到商品推荐结果。采用本发明专利技术可以有效实现商品推荐过程中对用户隐私的保护。

【技术实现步骤摘要】
基于隐私保护的推荐方法
本专利技术属于商品推荐
，更为具体地讲，涉及一种基于隐私保护的推荐方法。
技术介绍
随着计算设备的普及，与日常生活息息相关的应用纷纷落地，许多组织和机构收集和存储了大量用户的数字信息。例如，导航系统收集车辆的地理位置信息，电子商务站点收集顾客的购物习惯。借助矩阵分解等推荐算法，这些数据可以为数据收集者提供提高服务质量并且带来社会和经济效益的机会。例如，通过分析实时路况，导航系统可以帮助司机躲避拥堵；通过分析顾客的历史订单，可以帮助商家精准地投放广告。在现实生活中，上述的数据大多都包含隐私信息。恶意主体根据用户的历史行为数据进行推理或非法攻击，敏感的个人信息很可能被泄露。因此，如何构建一个能够保护用户的隐私信息的推荐系统成为了亟待解决的问题。隐私保护的商品推荐方法需要权衡个性化的服务需求和隐私保证，是个具有挑战性的问题，目前行业内尚没有有效的解决方法。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种基于隐私保护的推荐方法，实现商品推荐过程中对用户隐私的保护。为实现上述专利技术目的，本专利技术基于隐私保护的推荐方法包括以下步骤：S1：在用户和电子商务平台服务器之间设置一个半可信第三方机构；S2：电子商务平台的服务器初始化该平台中每个商品K维的特征向量Vm＝(vm1,vm2,…,vmK)，vmk表示商品m的特征向量中第k个元素值，m＝1,2,…,M，M表示商品数量，k＝1,2,…,K，服务器将各商品的特征向量向所有用户公开；S3：用户注册并登陆电子商务平台，积累自己购买商品的记录，构建原始的交互向量Rn＝(rn1,rn2,…,rnM)，其中rnm表示用户n对商品m的购买次数，n＝1,2,…,N，N表示用户数量；S4：服务器生成服从标准指数分布的N个K维随机向量ωn，分别发送给每个用户，每个用户生成服从标准正态分布的K维随机向量zn，然后根据接收到的向量ωn计算该用户的全局噪声向量*表示哈达马积；S5：当用户需要获取商品推荐时，首先根据用户当前的交互向量Rn获取二值向量Cn＝(cn1,cn2,…,cnM)，当rnm＝0时，cnm＝0，当rnm＞0时，cnm＝1；计算权重向量Wn＝(wn1,wn2,…,wnM)＝1+log(1+Rn10ε)，其中wnm表示用户n对于商品m的权重，ε表示预设的用于控制权重增量的常数；S6：采用如下方法对商品特征向量进行更新：S6.1：用户n初始化K维的用户特征向量Un(0)＝(un1(0),un2(0),…,unK(0))，表示用户n的特征向量中第k个元素值，n＝1,2,…,N，N表示用户数量，k＝1,2,…,K；S6.2：令迭代次数t＝1；S6.3：用户n生成一个商品集其中and表示商品集An中第d个商品在原始商品序列中的序号，d＝1,2,…,Dn，Dn表示商品集An中商品数量，然后将该商品集An发送给服务器；S6.4：服务器在接收到用户的商品集An之后，为商品集An中各个商品and分别生成一个K维的临时噪声向量然后连同商品集中各个商品当前的特征向量一起反馈给用户；S6.5：用户n在接收到商品集An中各个商品and的特征向量和临时噪声向量后，基于梯度下降的方法更新其用户特征向量Un(t)，计算公式如下：S6.6：采用以下公式计算商品and的特征向量更新梯度然后对商品特征向量的更新梯度进行扰动并发送给半可信第三方机构，扰动后的商品特征向量更新梯度的计算公式如下：S6.7：半可信第三方机构在接收到各个用户反馈的扰动后的商品特征向量更新梯度后，对相同商品的更新梯度进行聚合，并将各商品的聚合更新梯度发送给电子商务平台的服务器，记当前半可信第三方机构本批次所接收到扰动后的商品特征向量更新梯度中所涉及的商品集合为Q，所涉及的用户集合为P，则商品m′的更新梯度聚合公式如下：其中，m′∈Q，▽′n′Vm′(t)表示用户n′所计算得到的商品m′的扰动后的商品特征向量更新梯度；S6.8：服务器在接收到本批次的各商品的聚合更新梯度后，对所涉及的商品特征向量进行更新，其具体方法为：首先从商品m′的更新梯度▽Vm′中去除所涉及用户的全局噪声和临时噪声总和，得到更新梯度▽′Vm′，然后更新商品m′的特征向量Vm′＝Vm′+α▽′Vm′；S6.9：判断是否t＜tmax，tmax表示预设的最大迭代次数，如果是，进入步骤S6.10，否则本次商品特征向量更新结束；S6.10：令t＝t+1，返回步骤S6.3；S7：用户n从服务器获取当前所有商品特征向量Vm，并将作为列向量构成商品特征矩阵V，计算预测交互向量将用户n未购买过的商品按照预测交互向量中所对应的元素值从大到小进行排列，选择前H个商品作为推荐商品，其中H根据实际需要设置，从而获得推荐结果。本专利技术基于隐私保护的推荐方法，在用户和电子商务平台服务器中设置半可信第三方机构，电子商务平台服务器公开所有商品的特征向量，用户从服务器中获取商品特征向量，根据其自身的购买数据在本地学习其用户特征向量，并据此计算对商品特征向量的更新梯度，采用全局噪声向量和临时噪声进行扰动后发送至半可信第三方机构，半可信第三方机构对扰动后的更新梯度进行聚合并发送给服务器，服务器对接收到的更新梯度去除扰动，然后对商品特征向量进行更新，用户再根据更新后的商品特征向量计算得到预测交互向量，从而得到商品推荐结果。本专利技术具有以下有益效果：1)用户在本地学习自己的特征向量，不发送原始的购买行为数据给其他实体，而是发送扰动后的商品特征向量更新梯度，从而实现了对用户购买行为数据的保护；2)用户在更新自己的特征向量时，采用随机梯度下降法，批量请求商品特征向量，服务器无法分辨哪些商品是用户购买过的，哪些商品是用户未购买过的，从而保护了用户的偏好信息；3)用户对商品特征向量更新梯度进行扰动时采用了全局噪声向量和临时噪声，其中全局噪声向量是独立产生的，所以单个用户的背叛不会对其他用户产生影响；而临时噪声可以防止半可信第三方机构获知用户的真实更新梯度；4)半可信第三方机构对于商品特征向量更新梯度的聚合操作降低了服务器的计算代价，同时可以将用户隐没在社群中，更好地保护用户的隐私。附图说明图1是本专利技术基于隐私保护的推荐方法的具体实施方式流程图；图2是本专利技术中更新商品特征向量的流程图。具体实施方式下面结合附图对本专利技术的具体实施方式进行描述，以便本领域的技术人员更好地理解本专利技术。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本专利技术的主要内容时，这些描述在这里将被忽略。实施例图1是本专利技术基于隐私保护的推荐方法的具体实施方式流程图。如图1所示，本专利技术基于隐私保护的推荐方法的具体步骤包括：S101：设置半可信第三方机构：在用户和电子商务平台服务器之间设置一个本文档来自技高网...

【技术保护点】
1.一种基于隐私保护的推荐方法，其特征在于，包括以下步骤：/nS1：在用户和电子商务平台服务器之间设置一个半可信第三方机构；/nS2：电子商务平台的服务器初始化该平台中每个商品K维的特征向量V

【技术特征摘要】
1.一种基于隐私保护的推荐方法，其特征在于，包括以下步骤：
S1：在用户和电子商务平台服务器之间设置一个半可信第三方机构；
S2：电子商务平台的服务器初始化该平台中每个商品K维的特征向量Vm＝(vm1,vm2,…,vmK)，vmk表示商品m的特征向量中第k个元素值，m＝1,2,…,M，M表示商品数量，k＝1,2,…,K；
S3：用户注册并登陆电子商务平台，积累自己购买商品的记录，构建原始的交互向量Rn＝(rn1,rn2,…,rnM)，其中rnm表示用户n对商品m的购买次数，n＝1,2,…,N，N表示用户数量；
S4：服务器生成服从标准指数分布的N个K维随机向量ωn，分别发送给每个用户，每个用户生成服从标准正态分布的K维随机向量zn，然后根据接收到的向量ωn计算该用户的全局噪声向量*表示哈达马积；
S5：当用户需要获取商品推荐时，首先根据用户当前的交互向量Rn获取二值向量Cn＝(cn1,cn2,…,cnM)，当rnm＝0时，cnm＝0，当rnm＞0时，cnm＝1；计算权重向量Wn＝(wn1,wn2,…,wnM)＝1+log(1+Rn10ε)，其中wnm表示用户n对于商品m的权重，ε表示预设的用于控制权重增量的常数；
S6：采用如下方法对商品特征向量进行更新：
S6.1：用户n初始化K维的用户特征向量Un(0)＝(un1(0),un2(0),…,unK(0))，表示用户n的特征向量中第k个元素值，n＝1,2,…,N，N表示用户数量，k＝1,2,…,K；
S6.2：令迭代次数t＝1；
S6.3：用户n生成一个商品集其中and表示商品集An中第d个商品在原始商品序列中的序号，d＝1,2,…,Dn，Dn表示商品集An中商品数量，然后将该商品集An发送给服务器；
S6.4：服务器在接收到用户的商品集An之后，为商品集An中各个商品and分别生成一个K维的临时噪声向量然后连同商品集中各个商品and当前的特征向量一起反馈给用户；
S6.5：用户n在接收到商品集An中各个商品and的特征向量和临时噪声向量...

【专利技术属性】
技术研发人员：刘文炎，王晓玲，
申请(专利权)人：华东师范大学，
类型：发明
国别省市：上海;31