融合标签相似度的差分隐私矩阵分解推荐算法

来源：计算机应用研究杂志2020年第3期北京时间：

作者：郑剑,王啸乾,

单位：江西理工大学信息工程学院,江西赣州341000；

摘要：推荐系统需要利用到大量的用户行为数据，这些数据极有可能暴露用户的喜好，给人们关心的隐私问题带来巨大的挑战。为保证推荐精度与用户隐私，提出一种结合差分隐私与标签信息的矩阵分解推荐模型。该模型首先将标签信息加入到项目相似度的计算过程；随后融入到矩阵分解推荐模型中提高推荐精度；最后运用随机梯度下降法求解模型最优值。为解决用户隐私问题，将拉普拉斯噪声划分成两部分，分别加入项目相似度与梯度求解过程中，使得整个推荐过程满足ε-差分隐私，并在一个真实的数据集上分析验证算法的有效性。实验表明，提出的方法在保证用户隐私的情况下，仍具有较高的推荐精度。

关键词：推荐系统,矩阵分解,标签相似度,差分隐私,隐私保护,

基金资助：国家自然科学基金资助项目(61462034)；江西省教育厅科学技术研究项目(GJJ170517)；；