考虑用户兴趣分析的差分隐私方案推荐

作者：耿秀丽^*; 王著鑫

来源：计算机应用研究, 2022, 39(02): 474-478.

DOI：10.19734/j.issn.1001-3695.2021.06.0265

• 差分隐私
• 用户兴趣
• 方案属性
• K-means++

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。

• 单位
  上海理工大学