推荐系统、差分隐私矩阵干扰方法及系统技术方案

本申请提供了一种基于不可信推荐系统的推荐系统、差分隐私矩阵干扰方法及系统，涉及区块链技术领域，可应用于金融领域和其他领域，所述方法包含：根据用户端通过本地存储的用户数据生成的用户数据集，通过隐私混淆处理生成干扰数据集；根据所述干扰数据集和随机生成的噪声向量构建梯度下降函数；根据所述梯度下降函数和随机生成的噪声矩阵计算获得梯度模，将所述梯度模提供至用户兴趣访问方计算对应的梯度模累加因子；根据所述梯度模累加因子获得对应的梯度模函数，通过所述梯度模函数生成反馈信息并反馈至用户兴趣访问方。成反馈信息并反馈至用户兴趣访问方。成反馈信息并反馈至用户兴趣访问方。

【技术实现步骤摘要】
推荐系统、差分隐私矩阵干扰方法及系统


[0001]本申请涉及区块链
，可应用于金融领域和其他领域，尤指一种基于不可信推荐系统的推荐系统、差分隐私矩阵干扰方法及系统。

技术介绍

[0002]推荐系统已经日益成为网上消费等电子商务活动的必要工具。由于推荐系统的预测模型建立在深度机器学习基础上，通过在线学习偏好数据集以不断增强其预测能力。另一方面，大量的用户偏好数据集中在推荐系统，日益引发公众对其隐私信息泄露的担忧。业界普遍采用差分隐私保护用户敏感信息，该技术通过在数据集中混合随机噪声隐藏了数据集真实的数据分布，提供了很强的差分隐私保护力度，确保推荐系统在面对差分隐私攻击的时候，攻击者无论提交多少次查询，编排不同的查询组合，或判断被攻击者是否在数据集中，其返回的查询结果差别均在可控范围内。
[0003]尽管大规模机器学习能否减少发生隐私泄露、以及降低噪声数据的影响引起的训练误差，一直是业界关注的难点和热点，但人们面对不可信推荐系统时，也常常对其可能发生的信息泄露束手无策，尤其是在不可信推荐系统的复杂场景下隐私保护效果较差。

技术实现思路

[0004]本申请目的在于提供一种基于不可信推荐系统的推荐系统、差分隐私矩阵干扰方法及系统，在用户信息和推荐信息解耦基础上，将推荐信息置于本地训练中，只是在每次迭代过程中，向推荐系统申请以往迭代的偏好信息，同时利用区块链去中心化多方信息共享的特性，促进用户数据的安全多方共享，有效保护的用户的隐私，避免不可信推荐系统通过掌握用户数据而引发隐私泄露的风险，较好地兼顾了用户的隐私保护和推荐算法精准度。
[0005]为达上述目的，本申请所提供的基于不可信推荐系统的差分隐私矩阵干扰方法，所述方法包含：根据用户端通过本地存储的用户数据生成的用户数据集，通过隐私混淆处理生成干扰数据集；根据所述干扰数据集和随机生成的噪声向量构建梯度下降函数；根据所述梯度下降函数和随机生成的噪声矩阵计算获得梯度模，将所述梯度模提供至用户兴趣访问方计算对应的梯度模累加因子；根据所述梯度模累加因子获得对应的梯度模函数，通过所述梯度模函数生成反馈信息并反馈至用户兴趣访问方。
[0006]在上述基于不可信推荐系统的差分隐私矩阵干扰方法中，可选的，所述方法还包含：用户端根据本地存储的用户数据构建数据矩阵，通过协同矩阵算法将所述数据矩阵转换为用户集和兴趣集构成的协同耦合数据；于所述协调耦合数据中选取样本数据集，并将高斯噪声加入所述样本数据集中生成用户数据集。
[0007]在上述基于不可信推荐系统的差分隐私矩阵干扰方法中，可选的，根据所述干扰数据集和随机生成的噪声向量构建梯度下降函数包含：根据所述干扰数据集和随机生成的噪声向量对所述干扰数据集进行迭代计算获得梯度下降函数。
[0008]在上述基于不可信推荐系统的差分隐私矩阵干扰方法中，可选的，对所述干扰数
据集进行迭代计算获得梯度下降函数包含：根据梯度下降算法计算所述干扰数据集中的正则平方错误值，并通过迭代计算适配所述干扰数据集中的用户集和兴趣集；根据所述噪声向量对计算得到的所述兴趣集进行干扰迭代获得梯度下降函数。
[0009]在上述基于不可信推荐系统的差分隐私矩阵干扰方法中，可选的，通过所述梯度模函数生成反馈信息并反馈至用户兴趣访问方包含：通过所述梯度模函数获得所述本地用户数据对应的模型训练参数；根据所述模型训练参数生成反馈信息并反馈至用户兴趣访问方。
[0010]在上述基于不可信推荐系统的差分隐私矩阵干扰方法中，可选的，根据所述模型训练参数生成反馈信息并反馈至用户兴趣访问方包含：将所述模型训练参数共识至区块链网络获得共识结果；根据共识结果更新所述模型训练参数，并根据更新后的所述模型训练参数和用户兴趣访问方的训练需求生成反馈信息；将所述反馈信息反馈至用户兴趣访问方。
[0011]在上述基于不可信推荐系统的差分隐私矩阵干扰方法中，可选的，通过隐私混淆处理生成干扰数据集包含：通过随机差分矩阵对所述干扰数据集进行用户隐私混淆获得干扰后的干扰数据集。
[0012]本申请还提供一种适用于所述的基于不可信推荐系统的差分隐私矩阵干扰方法的推荐系统，所述推荐系统包含通信模块和推荐计算模块；所述通信模块用于根据用户端通过本地存储的用户数据生成的用户数据集，以及，通过所述梯度模函数生成反馈信息并反馈至用户兴趣访问方；所述推荐计算模块用于通过隐私混淆处理生成干扰数据集；根据所述干扰数据集和随机生成的噪声向量构建梯度下降函数；根据所述梯度下降函数和随机生成的噪声矩阵计算获得梯度模，将所述梯度模提供至用户兴趣访问方计算对应的梯度模累加因子；根据所述梯度模累加因子获得对应的梯度模函数。
[0013]本申请还提供一种包含所述的推荐系统的差分隐私矩阵干扰系统，所述系统还包含区块链网络、多个用户客户端和第三方系统；所述推荐系统通过共识节点接入所述区块链网络，所述区块链网络用于将所述推荐系统计算获得的所述梯度模函数共识；所述用户客户端用于将用户数据存储与本地，以及，根据所述用户数据生成的用户数据集，并提供至所述推荐系统；所述第三方系统与所述推荐系统相连，用于向所述推荐系统发起用户兴趣查询请求，以及，根据所述推荐系统反馈的所述梯度模计算对应的梯度模累加因子。
[0014]本申请还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法。
[0015]本申请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存储有执行上述方法的计算机程序。
[0016]本申请还提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现上述方法的步骤。
[0017]本申请的有益技术效果在于：提出一种联基于不可信推荐系统的差分隐私矩阵干扰的架构，该架构不依赖于第三方公正机构参与，支持多用户数据和偏好信息分离，为推荐系统机器学习提供多方共享的用户数据集；提出一种基于不可信推荐系统的差分隐私兴趣矩阵干扰算法，该算法在训练过程中获取推荐系统产生的随机干扰矩阵向量，对用户兴趣项数据进行干扰，达到隐私脱敏的效果，有效避免了不可信推荐系统的用户隐私数据泄露。
附图说明
[0018]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，并不构成对本申请的限定。在附图中：
[0019]图1为本申请一实施例所提供的差分隐私矩阵干扰方法的流程示意图；
[0020]图2为本申请一实施例所提供的用户数据集生成流程示意图；
[0021]图3为本申请一实施例所提供的梯度下降函数计算流程示意图；
[0022]图4为本申请一实施例所提供的兴趣反馈流程示意图；
[0023]图5为本申请一实施例所提供的反馈信息生成流程示意图；
[0024]图6为本申请一实施例所提供的推荐系统的结构示意图；
[0025]图7为本申请一实施例所提供的区块链共识节点的结构示意图；
[0026]图8为本申请一实施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于不可信推荐系统的差分隐私矩阵干扰方法，其特征在于，所述方法包含：根据用户端通过本地存储的用户数据生成的用户数据集，通过隐私混淆处理生成干扰数据集；根据所述干扰数据集和随机生成的噪声向量构建梯度下降函数；根据所述梯度下降函数和随机生成的噪声矩阵计算获得梯度模，将所述梯度模提供至用户兴趣访问方计算对应的梯度模累加因子；根据所述梯度模累加因子获得对应的梯度模函数，通过所述梯度模函数生成反馈信息并反馈至用户兴趣访问方。2.根据权利要求1所述的基于不可信推荐系统的差分隐私矩阵干扰方法，其特征在于，所述方法还包含：用户端根据本地存储的用户数据构建数据矩阵，通过协同矩阵算法将所述数据矩阵转换为用户集和兴趣集构成的协同耦合数据；于所述协调耦合数据中选取样本数据集，并将高斯噪声加入所述样本数据集中生成用户数据集。3.根据权利要求2所述的基于不可信推荐系统的差分隐私矩阵干扰方法，其特征在于，根据所述干扰数据集和随机生成的噪声向量构建梯度下降函数包含：根据所述干扰数据集和随机生成的噪声向量对所述干扰数据集进行迭代计算获得梯度下降函数。4.根据权利要求3所述的基于不可信推荐系统的差分隐私矩阵干扰方法，其特征在于，对所述干扰数据集进行迭代计算获得梯度下降函数包含：根据梯度下降算法计算所述干扰数据集中的正则平方错误值，并通过迭代计算适配所述干扰数据集中的用户集和兴趣集；根据所述噪声向量对计算得到的所述兴趣集进行干扰迭代获得梯度下降函数。5.根据权利要求1所述的基于不可信推荐系统的差分隐私矩阵干扰方法，其特征在于，通过所述梯度模函数生成反馈信息并反馈至用户兴趣访问方包含：通过所述梯度模函数获得所述本地用户数据对应的模型训练参数；根据所述模型训练参数生成反馈信息并反馈至用户兴趣访问方。6.根据权利要求5所述的基于不可信推荐系统的差分隐私矩阵干扰方法，其特征在于，根据所述模型训练参数生成反馈信息并反馈至用户兴趣访问方包含：将所述模型训练参数共识至区块链网络获得共识结果；根据共识结果更新所述模型训练参数，并根据更新后的所...

【专利技术属性】
技术研发人员：李广普，杨明，孙建成，罗斐，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：