基于興趣與保護隱私的在線社區(qū)推薦技術研究.pdf

1、近年來，在線社區(qū)逐漸成為互聯(lián)網(wǎng)用戶進行交互和內容獲取的主要方式之一。由于具有豐富的內容和多樣的用戶交互功能，在線社區(qū)吸引了越來越多的用戶參與。隨著在線社區(qū)的流行和用戶的增多，用戶創(chuàng)建內容的規(guī)模呈指數(shù)級增長。面對著用戶創(chuàng)建的海量內容，終端用戶往往很難發(fā)現(xiàn)自己感興趣的內容。因此，能夠幫助終端用戶準確高效的獲取感興趣內容的信息推薦技術變得至關重要。推薦技術通過對用戶歷史興趣的分析和建模，預測用戶對其未看過的內容的興趣程度。在線社區(qū)中，用戶興趣

2、較為分散，內容數(shù)量巨大并且產(chǎn)生的速度快，用戶隱私很容易通過靜態(tài)或者動態(tài)的方式泄漏給推薦服務器或者第三方。上述在線社區(qū)的特點為推薦技術帶來了新的挑戰(zhàn)，現(xiàn)有的協(xié)同過濾等推薦方法在準確性、隱私保護范圍和效率等方面都難以較好的滿足用戶的需求。因此，如何對現(xiàn)有的推薦技術進行擴展和深入以適應在線社區(qū)中新的用戶需求是相關研究中的熱點和前沿問題。
　　 針對上述在線社區(qū)推薦技術面臨的新挑戰(zhàn)，結合推薦技術領域最新的研究進展，本文所做的研究工作如下

3、：
　　 1.提出基于用戶興趣的實時推薦技術-Farseer，能夠針對具有分散興趣的用戶進行高質量的實時內容推薦。Farseer通過興趣組來更準確的發(fā)現(xiàn)和組織用戶興趣，并提出基于興趣組的協(xié)同過濾技術，解決了用戶興趣分散的問題。同時，F(xiàn)arseer采用實時用戶上下文分析技術，實時獲取用戶活動和更新鄰居列表，然后增量式的更新推薦內容評級值，能夠提高推薦實時性。詳細的實驗分析表明，F(xiàn)arseer能夠在實時的情況下，進行高質量的內容推薦

4、，并且準確率好于當前先進的協(xié)同過濾算法。
　　 2.提出保護用戶隱私的在線社區(qū)推薦技術-Pistis，能夠在保護用戶隱私不被泄漏的前提下做出高質量的內容推薦。Pistis通過分布式的安全多方計算來保護用戶隱私不被服務器收集。同時，利用興趣組結構打破用戶公共興趣與隱私興趣之間的關聯(lián)，有效的防止用戶興趣被其他惡意用戶利用推薦系統(tǒng)攻擊。詳細的理論和實驗分析表明，Pistis能夠保護用戶的隱私不被服務器獲取，大大降低用戶在面對攻擊時的隱

5、私泄漏，同時推薦質量好于當前先進的隱私保護協(xié)同過濾算法。
　　 3.提出高效的隱私保護推薦技術-YANA，能夠在較大幅度提高隱私保護效率的同時不犧牲推薦質量。YANA通過分布式的用戶分組，將用戶進行重新組織，使用戶隱私保護在一組用戶之內，服務器只得到一組用戶的聚合信息。每個用戶組內，維護若干具有單一興趣的虛擬用戶來代表真實用戶與服務器交互。真實用戶根據(jù)自己的興趣和虛擬用戶獲得的推薦重新計算自己的個性化推薦。由于安全多方計算是在小