基于推荐的社交媒体数据发布的隐私保护

个性化的推荐需要使用大量的用户数据,尤其是用户在社交媒体上的活动数据,包括评级、签到等,然而,从大量的用户活动数据中,能够推断出用户的隐私数据。在本文中,针对FM推荐算法的特性,提出距离度量KFC,约束数据失真,提出了PrivFM,一个可定制的、连续的、保护隐私的社交媒体数据发布框架,通过扰乱用户发布的活动数据,防止推理攻击,同时保证推荐效用。实验结果表明,相对于其他的隐私保护方法及距离度量,提高了隐私保护与推荐之间的平衡。