基于差分隱私的興趣點推薦系統(tǒng)的設(shè)計與分析.pdf

1、推薦系統(tǒng)通過收集用戶相關(guān)信息，過濾掉大量無用的信息，向用戶提供潛在的感興趣的內(nèi)容。基于興趣點的推薦系統(tǒng)的推薦算法主要考慮了用戶對興趣點的偏好，來自用戶好友的推薦和地理位置上的影響三個方面的因素。其中用戶對興趣點的偏好可以利用用戶的興趣點(POI, Point of Interest)簽到歷史來描述，使用協(xié)同過濾找到對興趣點偏好類似的用戶，并根據(jù)這些高相似度的用戶提供興趣點；利用共同好友的比例和共同簽到 POI的比例來描述用戶和用戶之間的

2、好友度，并以此為基礎(chǔ)向用戶提供來自好友的推薦；最后地理位置對推薦 POI的影響也同樣重要，人們總是傾向于到附近的POI簽到而忽略更遠(yuǎn)即使遠(yuǎn)處的POI對用戶更有吸引力。
　　推薦系統(tǒng)在收集用戶信息用作推薦的同時，有可能會產(chǎn)生用戶個人敏感信息的泄露?，F(xiàn)存在來自兩個方面的潛在隱私暴露危險，一是由于 POI信息的精確化導(dǎo)致用戶在 POI簽到之后分享簽到會立即暴露用戶精確的地理位置信息，第二是即使用戶在選擇隱私簽到而不選擇分享此次簽到，而用

3、戶好友中潛在的攻擊者可以根據(jù)推薦系統(tǒng)的推薦結(jié)果，反向推導(dǎo)出用戶的POI簽到信息。針對這兩種攻擊方式，本文分別提出一種隱私保護(hù)算法：
　　1）將每個POI精確的地理位置信息模糊成虛擬圓，真實的POI可能存在于該虛擬圓內(nèi)的任意一點。本文先詳細(xì)介紹了現(xiàn)有文獻(xiàn)中針對地理位置隱私提出的隱私保護(hù)算法-Privacy，并詳細(xì)分析了-Privacy算法的優(yōu)缺點。然后提出了-Privacy算法，并從理論上證明了該算法的

4、有效性。
　　2）在推薦算法計算用戶之間的好友度時，使用基于拉普拉斯機(jī)制的差分隱私向計算結(jié)果中加入適量的噪聲，使得各個參數(shù)之間的變化更加平滑，平均。然后從理論上證明了噪聲的加入保護(hù)了用戶的隱私。
　　最后本文將兩個隱私保護(hù)算法加入到推薦系統(tǒng)中作為一個整體進(jìn)行理論分析，給出最后隱私保護(hù)程度的公式。然后進(jìn)行了大量的對比實驗，實驗結(jié)果表明，隱私算法的加入在很大程度上保護(hù)了用戶地理位置和簽到信息的隱私信息，同時對推薦算法的有效性影響