互聯(lián)網(wǎng)的出現(xiàn)和普及給用戶帶來(lái)便利的同時(shí)產(chǎn)生了大量的信息。為了幫助人們做出提供選擇快速?zèng)Q策,推薦系統(tǒng)需要收集用戶的歷史數(shù)據(jù)進(jìn)行建模分析,來(lái)實(shí)現(xiàn)推薦服務(wù)。矩陣分解推薦算法是協(xié)同過濾中最受歡迎的算法之一,有較高的推薦精確度。傳統(tǒng)的矩陣分解方法主要應(yīng)用于集中式環(huán)境中,用戶需要把各自的歷史數(shù)據(jù)提供給服務(wù)器,對(duì)于不受信任的推薦服務(wù)器,存在隱私泄露的風(fēng)險(xiǎn)。隨著個(gè)人信息泄露的情況在不斷的出現(xiàn),人們?cè)絹?lái)越重視隱私保護(hù)問題,更多的數(shù)據(jù)擁有者不愿意提供自身的數(shù)據(jù),因此,應(yīng)用于分布式推薦系統(tǒng)中的矩陣分解算法應(yīng)運(yùn)而生。為了解決分布式推薦系統(tǒng)中的隱私問題,現(xiàn)有的做法主要分為兩種,一種是基于數(shù)據(jù)擾動(dòng)的方式來(lái)保護(hù)數(shù)據(jù)的安全,通過差分隱私加噪的方法,或采用隨機(jī)擾動(dòng),將梯度數(shù)據(jù)加噪擾動(dòng)后再發(fā)送到服務(wù)器聚合通常因?yàn)楸Ｗo(hù)數(shù)據(jù)的隱私性而犧牲了部分的數(shù)據(jù)效用性,因此導(dǎo)致推薦效果的下降。另一種則采用加密的方法來(lái)保證數(shù)據(jù)的無(wú)損失計(jì)算,利用同態(tài)性質(zhì)進(jìn)行加密計(jì)算保證模型訓(xùn)練過程中數(shù)據(jù)安全性的同時(shí)不降低推薦的精度。但是采用同態(tài)加密等算法,伴隨大量的加密解密過程,因而降低了整個(gè)推薦算法的時(shí)間效率�；诂F(xiàn)有的工作,主要關(guān)注分布式推薦下的矩陣分... 

【文章來(lái)源】：廣西師范大學(xué)廣西壯族自治區(qū)

【文章頁(yè)數(shù)】：58 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

中國(guó)網(wǎng)民規(guī)模和互聯(lián)網(wǎng)普率

廣西師范大學(xué)碩士研究生學(xué)位論文7第2章推薦系統(tǒng)、隱私保護(hù)方法概述2.1推薦系統(tǒng)的概述及主要方法推薦系統(tǒng)的早期研究源于信息檢索和過濾，可以把推薦系統(tǒng)理解為一個(gè)智能系統(tǒng)，能夠根據(jù)用戶的興趣偏好篩選用戶感興趣的服務(wù)或物品。開發(fā)推薦系統(tǒng)的目的是通過從大量異構(gòu)復(fù)雜數(shù)據(jù)中檢索出最相關(guān)的信息來(lái)減少信息過載，從而提供個(gè)性化服務(wù)。目前的推薦系統(tǒng)可主要分為基于協(xié)同過濾與基于內(nèi)容的推薦算法，還有混合推薦算法。定義2.1（推薦系統(tǒng)[34]）：設(shè)C表示為用戶集合，S可以是所有可能的推薦項(xiàng)目集合,u是一個(gè)效用函數(shù)，用于衡量項(xiàng)目（s∈S）對(duì)用戶（c∈C）的有效性，即U：C×S→R，其中R是一個(gè)完全有序的集合。用戶和項(xiàng)目集合都可能非常大，對(duì)于每個(gè)用戶c∈C，我們要選擇這樣的項(xiàng)目s"∈S最大限度地提高效用函數(shù)u，即：c),(maxargS"scuCSsc，(2.1)在推薦系統(tǒng)應(yīng)用程序中，通常有兩類實(shí)體，一般分為為用戶和項(xiàng)目（如電影，商品，音樂，書籍等）兩類，項(xiàng)目的效用通常是以評(píng)分表示，表示一個(gè)用戶是否喜歡這個(gè)項(xiàng)目的。如評(píng)分等級(jí)為1到5，則電影被用戶評(píng)為5表示用戶高度喜歡它，而1評(píng)級(jí)表示不喜歡，而推薦系統(tǒng)目的在于對(duì)那些用戶還未有評(píng)分的項(xiàng)目進(jìn)行預(yù)測(cè)評(píng)分，而進(jìn)行預(yù)測(cè)后最終的目的是選取出前N項(xiàng)項(xiàng)目推薦給用戶。在推薦系統(tǒng)中，最核心的工作模塊就是推薦算法，整個(gè)系統(tǒng)的工作需要用戶的反饋進(jìn)行優(yōu)化調(diào)整，以便為用戶提供更精確的推薦。工作流程如下圖2.1：圖2.1推薦系統(tǒng)工作流程2.1.1基于協(xié)同過濾推薦算法

廣西師范大學(xué)碩士研究生學(xué)位論文10圖2.2標(biāo)題轉(zhuǎn)換向量空間與協(xié)同過濾推薦算法不同，基于內(nèi)容的推薦算法，用戶之間是獨(dú)立的，每個(gè)用戶的偏好都是依據(jù)他本身對(duì)項(xiàng)目的喜好獲得的，與他人的行為無(wú)關(guān)這點(diǎn)與協(xié)同過濾正好相反。這樣就使得基于內(nèi)容的推薦算法存在一些協(xié)同過濾中沒有的優(yōu)勢(shì)，例如新產(chǎn)生的項(xiàng)目可以立刻被推薦，基于內(nèi)容的算法關(guān)注內(nèi)容關(guān)聯(lián)性本身，而協(xié)同過濾需要被某些用戶有過打分歷史才會(huì)被推薦給其他用戶。當(dāng)然基于內(nèi)容的推薦算法也存在著不足，例如新用戶沒有喜好歷史，自然無(wú)法獲得他的特征，所以也就無(wú)法為他產(chǎn)生推薦內(nèi)容了。由于基于內(nèi)容推薦算法的一些缺點(diǎn)，目前大部分的推薦系統(tǒng)都是以其他算法為主（如協(xié)同過濾算法），而將其作為輔助使用來(lái)解決主算法在某些情況下的不精確性（如解決新項(xiàng)目問題）。2.1.3基于混合的推薦算法基于混合的方法通常結(jié)合多種推薦算法。為了能夠克服單個(gè)推薦算法存在的缺點(diǎn)，提高推薦性能，尤其是對(duì)于新用戶或者新項(xiàng)目，傳統(tǒng)用戶協(xié)同過濾算法和基于內(nèi)容的算法，無(wú)法給出很好的推薦�；旌贤扑]算法通常采取特征組合，加權(quán)混合，并行推薦算法混合等方法實(shí)現(xiàn)[38]。將協(xié)同過濾和基于內(nèi)容的推薦進(jìn)行組合[39]是十分常用的方案，首先基于內(nèi)容的推薦算法使用樸素貝葉斯分類算法，填補(bǔ)評(píng)分矩陣中的缺失項(xiàng)，然后使用協(xié)同過濾算法對(duì)評(píng)分矩陣進(jìn)行進(jìn)一步的計(jì)算。與單個(gè)推薦算法相比，克服了評(píng)分稀疏的問題，從而提高推薦精確度。2.2推薦系統(tǒng)中的隱私保護(hù)技術(shù)為了生成準(zhǔn)確的個(gè)性化推薦，推薦系統(tǒng)依賴于用戶偏好的詳細(xì)個(gè)人數(shù)據(jù)。例如評(píng)分，消費(fèi)記錄和個(gè)人資料。推薦系統(tǒng)為人們提供了很大的幫助，但是推薦系統(tǒng)收集和處理個(gè)人數(shù)據(jù)相關(guān)的隱私風(fēng)險(xiǎn)常常被低估或忽略，推薦系統(tǒng)進(jìn)行用戶數(shù)據(jù)的收集，對(duì)于用戶層面，許?


本文編號(hào)：3002160