基于隱私保護的推薦算法研究.pdf

1、推薦系統(tǒng)是應(yīng)用在電子商務(wù)系統(tǒng)中的一門非常成功的技術(shù)，它能有效緩解由于互聯(lián)網(wǎng)飛速發(fā)展所帶來的信息超載問題，并根據(jù)人們的行為、偏好等特點從海量數(shù)據(jù)中挖掘用戶的潛在需求，為用戶提供個性化的推薦服務(wù)。協(xié)同過濾算法作為其中最為廣泛應(yīng)用的一類算法，它的基本思想是根據(jù)和目標(biāo)用戶具有相同愛好的用戶的偏好為目標(biāo)用戶提供預(yù)測。
　　然而，協(xié)同過濾算法也易受到惡意用戶的攻擊，常見的攻擊模型有托攻擊模型和kNN攻擊模型。在托攻擊模型中，攻擊者會構(gòu)造一定數(shù)

2、目的概貌特征接近真實用戶的虛假用戶來擾亂推薦算法的預(yù)測，提高或是降低某些商品的預(yù)測評分;在kNN攻擊模型中，攻擊者會構(gòu)造一定數(shù)目的概貌特征和目標(biāo)用戶接近的虛假用戶來獲取用戶的隱私信息。不論哪一種攻擊，都將損害用戶的切身利益，使得用戶喪失對推薦系統(tǒng)的信任。因此推薦算法的隱私保護問題成為當(dāng)今的研究熱點。
　　本文分別針對推薦算法中常見的托攻擊模型和kNN攻擊模型展開深入研究，提出解決方案，主要研究成果如下:
　　第一，針對托攻擊

3、模型的實現(xiàn)方式以及攻擊特點，對當(dāng)前存在的抵抗托攻擊的主要算法展開深入研究。當(dāng)前的解決方案主要是攻擊檢測方法和魯壯性的協(xié)同過濾算法，為解決這些算法中的假正率較高、預(yù)測不準(zhǔn)確等缺點，本文提出一種軟決策處理方法，首先應(yīng)用支持向量機方法獲取每個用戶可疑程度，然后構(gòu)建選擇鄰居的變長分區(qū)，最后在保證給定的安全度量標(biāo)準(zhǔn)的前提下，選擇與目標(biāo)用戶最相似的鄰居。該方法通過標(biāo)記可疑用戶而不是直接刪除他們，能有效的使被錯誤判斷為虛假用戶的正常用戶在相似性計算中

4、做出貢獻，進而降低假正率。實驗結(jié)果表明，該算法在抵抗托攻擊時能取得較優(yōu)異的預(yù)測準(zhǔn)確性。
　　第二，針對kNN攻擊模型的特點，對當(dāng)前存在的隱私保護協(xié)同過濾算法展開研究。當(dāng)前的隱私保護協(xié)同過濾算法主要以加密方法、隨機擾亂方法、模糊處理方法為主，針對這些方法的計算成本高、數(shù)據(jù)實用性低、噪音量級難調(diào)節(jié)等缺點，本文主要研究k-匿名方法在隱私保護協(xié)同過濾算法中的應(yīng)用，結(jié)合推薦算法數(shù)據(jù)集的數(shù)據(jù)特點，提出一種新的匿名化準(zhǔn)則應(yīng)用到推薦算法中，該方法