您当前的位置: > 详细浏览

融合标签相似度的差分隐私矩阵分解推荐算法 后印本

请选择邀稿期刊:
摘要: 推荐系统需要利用到大量的用户行为数据,这些数据极有可能暴露用户的喜好,给人们关心的隐私问题带来了巨大的挑战。为保证推荐精度与用户隐私,提出一种结合差分隐私与标签信息的矩阵分解推荐模型。该模型首先将标签信息加入到项目相似度的计算过程,随后融入到矩阵分解推荐模型中提高推荐精度,最后运用随机梯度下降法求解模型最优值。为解决用户隐私问题,将拉普拉斯噪声划分成两部分,分别加入项目相似度与梯度求解过程中,使得整个推荐过程满足ε-差分隐私,并在一个真实的数据集上分析验证算法的有效性。实验表明,提出的方法能在保证用户隐私的情况下,仍具有较高的推荐精度。

版本历史

[V1] 2019-01-03 10:45:30 ChinaXiv:201901.00025V1 下载全文
点击下载全文
预览
许可声明
metrics指标
  •  点击量1635
  •  下载量999
评论
分享