(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211135795.8 (22)申请日 2022.09.16 (71)申请人 安徽信息 工程学院 地址 241100 安徽省芜湖市湾沚区永和路1 号 (72)发明人 刘晴晴　韩慧慧　佘星星　 (74)专利代理 机构 芜湖安汇知识产权代理有限 公司 34107 专利代理师 朱圣荣 (51)Int.Cl. G06F 21/62(2013.01) G06F 16/9536(2019.01) (54)发明名称 一种协同过滤推荐中的隐私保护方法和系 统 (57)摘要 本发明揭示了一种协同过滤推荐中的隐私 保护方法， 包括以下步骤： 1)用户发出请求至推 荐系统； 2)推荐系统向服务器发送信号收集指 令， 服务器将查询结果输送至推荐服务器； 3)推 荐服务器分析查询结果将推荐结果发送至用户。 本发明协同过滤推荐中的隐私保护方法可以将 稀疏性的用户项目评分填充后， 随机加入服从高 斯分布的噪声， 这样可以防止攻击者识破特定分 布， 反解矩阵， 从干扰后的数据中恢复部分隐私 信息。 另一方面考虑时间权值对推荐精度的影 响， 提高推荐精度， 以此来保证用户在不泄露隐 私的情况 下享受高质量的推荐服 务。 权利要求书1页 说明书3页 附图1页 CN 115510478 A 2022.12.23 CN 115510478 A 1.一种协同过 滤推荐中的隐私保护方法， 其特 征在于， 包括以下步骤： 1)用户发出请求至推荐系统； 2)推荐系统向服 务器发送信号收集指令， 服 务器将查询结果输送至推荐服 务器； 3)推荐服 务器分析查询结果将推荐结果发送至用户。 2.根据权利要求1所述的协同过滤推荐中的隐私保护方法， 其特征在于： 所述推荐服务 器生成推荐结果时， 根据预设的隐私保护推荐模型生成项目评分矩阵， 之后使用奇异值分 解技术填充稀疏矩阵， 最后 将时间漂移权值和隐私多样性综合考虑进 行加权计算预测用户 评分， 根据评分获得推荐结果。 3.根据权利要求2所述的协同过 滤推荐中的隐私保护方法， 其特 征在于： 项目评分矩阵是将用户不同角度喜好推荐罗列获得矩阵， 用户不同角度喜好推荐具有时间标记， 根据时间标记为用户不同角度喜好推荐添加权 重系数， 构成填充稀疏矩阵。 4.根据权利要求3所述的协同过滤推荐中的隐私保护方法， 其特征在于： 距离目前时间 越近的时间段权 重越高， 综合计算出推荐结果。 5.根据权利要求4所述的协同过滤推荐中的隐私保护方法， 其特征在于： RSVD表示填充 稀疏矩阵， Ru表示用户u的随机干扰向量， WT表示用户隐私时间权重因子， Wi表示用户隐私多 样性权重因子， Puv表示填充后的用户u对项目v的评分， RSVDM′表示所有用户干扰后的评分矩 阵。 6.根据权利要求5所述的协同过滤推荐中的隐私保护方法， 其特征在于： 在填充后的矩 阵中选择用户， 用户根据自己的隐私 需求选择随机化干扰项， 再结合时间权重与多样性权 重对填充后的评分进行干扰， 最后将扰动 后的数据发送给服 务器端， 完成随机化干扰算法。 7.根据权利要求6所述的协同过滤推荐中的隐私保护方法， 其特征在于： 填充稀疏矩阵 使得随机噪音的分布出现变动， 填充稀疏矩阵融合UCF推荐算法和ICF推荐算法， 计算预测 评分。 8.一种协同过滤推荐中的隐私保护系统， 包括推荐系统， 所述推荐系统与至少一个用 户交互信息， 所述推荐系统执 行如权利要求1 ‑7所述协同过 滤推荐中的隐私保护方法。 9.根据权利要求8所述的协同过滤推荐中的隐私保护系统， 其特征在于： 所述推荐系统 与服务器交互信息。权　利　要　求　书 1/1 页 2 CN 115510478 A 2一种协同 过滤推荐中的隐私 保护方法和系统 技术领域 [0001]本发明涉及计算机数据处理领域， 尤其涉及协同过滤推荐推荐中的数据隐私保护 技术。 背景技术 [0002]在计算机数据处理处理技术中， 有一种是推荐隐私保护技术， 其中常见的是随机 扰动处理方法， 随机扰动的基本思想是以这样的方式干扰数据， 即可以在保护用户隐私的 同时进行某些计算。 尽管来自每个用户的数据是被添加了噪声的， 但如果用户数量很大， 那 么这些用户的总体信息可以很准确地估计出来。 在协同过滤推荐中的应用主要存在两个问 题： [0003]一是如何权衡对用户信息的扰动强度与推荐精度之间的问题； [0004]二是推荐中关键的一 步是进行用户或项目的相似度计算； [0005]主要是要用到用户项目评分中两个向量之间的和与两个向量之间的内积运算， 加 入扰动数据后， 是否能得到与原 始数据一 致或相似的预测评分数据。 [0006]当用户进行推荐请求时， 服务器应用该隐私保护推荐算法， 获取用户项 目评分集 合， 利用SVD技术填充稀疏项目评 分矩阵并为填充后的矩阵加入服从特定 分布的扰动项， 代 替用户真实评 分数据进行预测评分， 从而在保护用户隐私的情况下为用户提供高质量的推 荐效果， 如图2所示； [0007]服务器负责收集并处理用户的评分信息， 可以有效的为用户提供信息处理， 对当 前用户提出 的推荐请求， 服务器对项目评分矩阵进行填充， 再根据用户不同的隐私 需求将 数据扰动后发布 给推荐系统。 推荐系统根据扰动后的评 分进行相似度计算并给出相应的预 测评分， 用户根据自己需求选择符合要求的项目， 这种系统结构可以保护用户的隐私的同 时提供高质量的推荐服 务。 [0008]传统的基于随机化干扰的CF算法是在原始数据 中加入噪声隐藏真实的用户评分 数据。 一方面， 噪声 数据的取值存在很大问题， 噪声 数据取值过小， 隐私保护程度不够， 隐私 数据随时会被攻击者解读， 噪声 数据取值过大， 扰动后噪声严重失真， 推荐精度就会大幅度 下降， 失去推荐意义。 大量对隐私安全要求严格的用户为了防止自己的 隐私信息被暴露， 拒 绝提交个人的隐私数据或提交虚假数据， 导 致推荐数据稀疏， 加剧推荐效果 不佳问题。 发明内容 [0009]本发明所要解决的技术问题是实现一种基于奇异值分解的多样性隐私保护推荐 算法， 既能保证可靠推荐， 也能提升数据的隐私安全性。 [0010]为了实现上述目的， 本发明采用的技术方案为： 一种协同过滤推荐中的隐私保护 方法， 包括以下步骤： [0011]1)用户发出请求至推荐系统； [0012]2)推荐系统向服 务器发送信号收集指令， 服 务器将查询结果输送至推荐服 务器；说　明　书 1/3 页 3 CN 115510478 A 3