基于差分隐私保护的高性能协同过滤推荐方案

发布时间：2021-04-19 20:22

　　随着大数据时代的来临,网络中信息过载的问题日益突出,用户往往很难从海量的数据中快速定位自己需要的资源。推荐算法通过挖掘用户和信息产品之间的二元关系很好的解决了这一问题,但是由于推荐算法在给用户进行推荐的过程中,往往需要使用用户的历史信息,这对用户的隐私产生了巨大威胁。差分隐私作为近几年保护隐私的一种新的方式,以高隐私保护效率,安全性可证明,安全级别可控等优点受到广泛关注。目前关于差分隐私的研究主要集中在数据发布方向,但是差分隐私的优点使得它同样十分适合用来解决推荐系统中的用户隐私保护问题。因此,在推荐系统中应用差分隐私来保护用户隐私的研究是十分有意义的。本文通过调研现有的差分隐私保护技术和经典的推荐算法,着重探究了应用差分隐私保护技术来解决协同过滤算法中的隐私问题,主要贡献包括:（1）针对协同过滤推荐算法中的用户隐私保护问题,本文基于差分隐私保护技术提出了一种高效可行的隐私保护方法（KDPCF）。具体做法是先利用K-means聚类算法将所有用户进行聚类,然后对聚类的结果进行优化,最后在优化后的结果上进行基于用户的协同过滤推荐。为了保护用户的隐私,在推荐过程中我们引入了差分隐私的指数机制... 

【文章来源】：安徽大学安徽省 211工程院校

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 推荐系统简介
    1.2 推荐系统的国内外研究现状
        1.2.1 推荐系统中的经典算法
        1.2.2 推荐系统中的安全需求
    1.3 差分隐私保护的国内外研究现状
    1.4 本文研究内容
    1.5 组织结构
第2章 基础知识
    2.1 差分隐私保护模型
    2.2 差分隐私理论基础
        2.2.1 拉普拉斯机制
        2.2.2 指数机制
    2.3 差分隐私的两种框架
    2.4 推荐系统的评价标准
    2.5 本章小结
第3章 基于K-MEANS聚类的差分隐私协同过滤推荐算法
    3.1 相关知识
        3.1.1 K-means聚类算法
        3.1.2 基于用户的协同过滤算法
    3.2 相关工作
    3.3 安全需求和设计目标
        3.3.1 安全需求
        3.3.2 设计目标
    3.4 KDPCF算法详细设计
        3.4.1 KDPCF方案总体流程设计
        3.4.2 KDPCF详细步骤设计
    3.5 隐私性分析
    3.6 实验结果与分析
        3.6.1 数据来源
        3.6.2 实验参数设置
        3.6.3 实验结果评估
    3.7 本章小结
第4章 推荐系统中基于代理转发机制的用户隐私保护方法
    4.1 相关知识
        4.1.1 本地差分隐私保护
    4.2 相关工作
    4.3 安全需求和设计目标
        4.3.1 安全需求
        4.3.2 设计目标
        4.3.3 设计思路
    4.4 RLAS方案设计
        4.4.1 RLAS总体方案模型
        4.4.2 RLAS详细步骤设计
    4.5 实验结果与分析
        4.5.1 数据来源和参数设置
        4.5.2 实验结果和分析
    4.6 本章小结
第5章 总结与展望
    5.1 本文总结
    5.2 研究展望
参考文献
致谢
在读期间发表的学术论文
在读期间参加的科研项目


【参考文献】：
期刊论文
[1]面向数据发布和分析的差分隐私保护[J]. 张啸剑,孟小峰.  计算机学报. 2014(04)
[2]差分隐私保护下一种精确挖掘top-k频繁模式方法[J]. 张啸剑,王淼,孟小峰.  计算机研究与发展. 2014(01)
[3]差分隐私保护及其应用[J]. 熊平,朱天清,王晓峰.  计算机学报. 2014(01)
[4]CoPrivacy:一种用户协作无匿名区域的位置隐私保护方法[J]. 黄毅,霍峥,孟小峰.  计算机学报. 2011(10)
[5]一种基于中间代理的个性化推荐系统[J]. 杜定宇,王茜.  计算机技术与发展. 2011(09)

硕士论文
[1]基于隐私保护的个性化推荐系统的研究与实现[D]. 陈婷.复旦大学 2008



本文编号：3148244