计算机应用研究

作者：耿秀丽,王著鑫,

单位：上海理工大学管理学院,上海200093；

关键词：差分隐私,用户兴趣,方案属性,K-means++,

基金：国家自然科学基金资助项目(71301104)；国家教育部人文社会科学研究规划基金资助项目(19YJA630021)；高等学校博士学科点专项科研基金资助项目(20133120120002)；；

现有差分隐私推荐算法在计算相似度时，直接根据用户—方案数据进行计算，而忽略了方案属性对用户偏好的影响，没有反映用户的真实偏好，不能进行准确推荐。针对此问题，提出考虑用户兴趣分析的差分隐私推荐方法。该方法首先收集用户对方案属性的兴趣评分，其次使用K-means++对用户—方案属性评分数据进行聚类，然后采用差分隐私算法选择近邻用户，并为目标用户推荐适合的方案。最后，以养老院方案推荐为例予以验证。实验结果显示：与KDPC、DPCF、PNCF相比，所提算法在相同隐私预算下，平均绝对误差下降约19.0%、34.0%、37.7%；在相同近邻集合尺寸下，平均绝对误差下降约10.4%、20.3%、21.4%。因此，该算法在保护了用户隐私的基础上，进一步提高了推荐精度。

来源：2022年第2期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2022年第2期