基于隱私保護(hù)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(mén)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(lái)的信息超載問(wèn)題，并根據(jù)人們的行為、偏好等特點(diǎn)從海量數(shù)據(jù)中挖掘用戶的潛在需求，為用戶提供個(gè)性化的推薦服務(wù)。協(xié)同過(guò)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(ài)好的用戶的偏好為目標(biāo)用戶提供預(yù)測(cè)。
　　然而，協(xié)同過(guò)濾算法也易受到惡意用戶的攻擊，常見(jiàn)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(huì)構(gòu)造一定數(shù)

2、目的概貌特征接近真實(shí)用戶的虛假用戶來(lái)擾亂推薦算法的預(yù)測(cè)，提高或是降低某些商品的預(yù)測(cè)評(píng)分;在kNN攻擊模型中，攻擊者會(huì)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(lái)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(duì)推薦系統(tǒng)的信任。因此推薦算法的隱私保護(hù)問(wèn)題成為當(dāng)今的研究熱點(diǎn)。
　　本文分別針對(duì)推薦算法中常見(jiàn)的托攻擊模型和kNN攻擊模型展開(kāi)深入研究，提出解決方案，主要研究成果如下:
　　第一，針對(duì)托攻擊

3、模型的實(shí)現(xiàn)方式以及攻擊特點(diǎn)，對(duì)當(dāng)前存在的抵抗托攻擊的主要算法展開(kāi)深入研究。當(dāng)前的解決方案主要是攻擊檢測(cè)方法和魯壯性的協(xié)同過(guò)濾算法，為解決這些算法中的假正率較高、預(yù)測(cè)不準(zhǔn)確等缺點(diǎn)，本文提出一種軟決策處理方法，首先應(yīng)用支持向量機(jī)方法獲取每個(gè)用戶可疑程度，然后構(gòu)建選擇鄰居的變長(zhǎng)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(guò)標(biāo)記可疑用戶而不是直接刪除他們，能有效的使被錯(cuò)誤判斷為虛假用戶的正常用戶在相似性計(jì)算中

4、做出貢獻(xiàn)，進(jìn)而降低假正率。實(shí)驗(yàn)結(jié)果表明，該算法在抵抗托攻擊時(shí)能取得較優(yōu)異的預(yù)測(cè)準(zhǔn)確性。
　　第二，針對(duì)kNN攻擊模型的特點(diǎn)，對(duì)當(dāng)前存在的隱私保護(hù)協(xié)同過(guò)濾算法展開(kāi)研究。當(dāng)前的隱私保護(hù)協(xié)同過(guò)濾算法主要以加密方法、隨機(jī)擾亂方法、模糊處理方法為主，針對(duì)這些方法的計(jì)算成本高、數(shù)據(jù)實(shí)用性低、噪音量級(jí)難調(diào)節(jié)等缺點(diǎn)，本文主要研究k-匿名方法在隱私保護(hù)協(xié)同過(guò)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(diǎn)，提出一種新的匿名化準(zhǔn)則應(yīng)用到推薦算法中，該方法