控制与决策

作者：鲜征征,李启良,黄晓宇,吕威,陆寄远

单位：广东金融学院互联网金融与信息工程学院，广州510521,,华为技术有限公司，广东深圳518129,,华南理工大学经济与贸易学院，广州510006,,北京师范大学珠海分校信息技术学院，广东珠海519085,,广东金融学院互联网金融与信息工程学院，广州510521,

关键词：协同过滤;隐私保护;差分隐私;矩阵分解

基金：广东省自然科学基金项目(2014A030313662,2016A030310018,2016A030313385)；广东省公益研究与能力建设项目(2015A030402003)；广东省科技项目(2016ZC0039)；广东省哲学社科项目(GD15CGL05)；华南理工大学中央高校业务经费项目(2015QNXM20).

协同过滤技术在推荐系统的实现中具有广泛的应用,协同过滤以用户对商品项目的评价分数为依据,而这些评价有可能反映用户某些不欲为人知的喜好特点,因此,对具备隐私保护能力的协同过滤模型的研究引起了普遍的关注.SVD++是当前最为常用的协同过滤模型之一,差分隐私模型则是近十年来隐私保护理论最重要的研究进展之一,将两者相结合提出3种基于差分隐私和SVD++的协同过滤模型:基于梯度扰动的SVD++隐私保护模型、基于目标函数扰动的SVD++隐私保护模型和基于输出结果扰动的隐私保护模型.理论分析和实验结果显示,所提出的算法不仅能为用户的隐私安全提供可靠的保障,而且还可保持较高的预测准确度.

来源：2019年第1期

《控制与决策》期刊编辑部

查看控制与决策杂志2019年第1期