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簽到而忽略更遠即使遠處的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。現(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。本文先詳細介紹了現(xiàn)有文獻中針對地理位置隱私提出的隱私保護算法-Privacy，并詳細分析了-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了用戶的隱私。
　　最后本文將兩個隱私保護算法加入到推薦系統(tǒng)中作為一個整體進行理論分析，給出最后隱私保護程度的公式。然后進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