一种权衡性能与隐私保护的推荐算法

针对推荐系统中的隐私保护问题,提出一种隐私保护参数与推荐精度的均衡优化模型。以在线学习资源推荐系统为例建立矩阵分解模型,分别在数据输入和模型训练两个模块引入差分隐私噪声扰动,研究隐私保护参数ε与推荐精度的关系,并针对在线学习推荐系统数据的隐式反馈特点,提出基于资源热度负采样算法。基于西安交通大学网络学院数据集,利用百度飞桨深度学习平台,使用均方根误差作为推荐精度评价指标进行实验,结果表明:对数据基于资源热度负采样后,推荐精度更高;推荐精度与ε的倒数成正比关系,输入扰动和模型扰动分别在均方根误差取值不高于2.0和1.3且ε取值7和3时均衡效果最优;在相同ε下,当ε≤5时,模型扰动的差分隐私推荐算法推荐精度高于输入扰动的差分隐私推荐算法。