推薦系統(tǒng)中協(xié)同過濾算法及隱私保護機制研究.pdf

1、推薦系統(tǒng)可以幫助用戶發(fā)現(xiàn)感興趣的信息，有效解決信息過載問題。它通過分析用戶的歷史行為，建立合適的預(yù)測模型預(yù)測用戶的興趣，從而給用戶產(chǎn)生推薦。推薦系統(tǒng)的研究主要集中在評分預(yù)測問題，而如何提高預(yù)測準確度是評分預(yù)測所解決的關(guān)鍵問題，解決該問題的重要方法就是協(xié)同過濾算法。此外，近年來隱私保護問題逐漸成為制約推薦系統(tǒng)健康發(fā)展的重要因素，推薦系統(tǒng)由于利益驅(qū)使而隨意修改用戶評分誤導其他用戶。因此，需要一種隱私保護機制來有效保護用戶評分免受推薦系統(tǒng)惡意

2、使用。
　　本文從推薦系統(tǒng)中的協(xié)同過濾算法預(yù)測準確度和用戶隱私保護兩個方面展開研究，旨在保證用戶在獲得準確高效推薦的同時有效保護用戶評分。首先，研究了Netflix大賽應(yīng)用的兩類高效的協(xié)同過濾算法，分別是基于鄰域的模型(KNN)和矩陣分解模型(MF)，然后基于兩個公開的數(shù)據(jù)集MovieLens和WSQ對協(xié)同過濾算法模型的融合方法和模型選擇策略進行了深入研究。此外，提出一種面向推薦系統(tǒng)的隱私保護機制，基于同態(tài)加密技術(shù)加密用戶評分數(shù)據(jù)

3、，在不泄露給推薦系統(tǒng)用戶真實評分的情況下使用基于鄰域的模型產(chǎn)生推薦。本文的主要工作和貢獻如下：
　　1.實現(xiàn)了兩類協(xié)同過濾算法中的一些經(jīng)典模型，包括iKNN、Funk-SVD、BiasedSVD和SVD++，然后使用簡單線性回歸進行模型融合。最后通過兩組實驗來分析模型融合策略。實驗表明隨著融合模型數(shù)量的增加預(yù)測準確度的提升越緩慢，且不同類模型融合效果要好于同類模型，因此只需要融合少數(shù)幾種能顯著提高預(yù)測準確度的模型。
　　2.