基于密文的去中心化兴趣点推荐研究

摘要

针对集中式矩阵分解模型在进行兴趣点推荐时存在的内存需求多、计算成本高、隐私泄露风险大等问题,提出基于密文的去中心化推荐模型CDMF.比起统一收集处理所有数据的传统矩阵分解推荐方法,CDMF保持用户的数据在个人终端,以防出现大规模的集中计算;结合随机游走和Paillier加密算法实现基于密文的去中心化推荐;为了提高算法的时间性能,CDMF进一步引入个人兴趣点集合.在Foursquare和Gowalla真实数据集上进行实验,实验结果从精确率、召回率及时间性能三方面证明了CDMF的有效性.该方法在保护隐私的同时,相比经典矩阵分解模型其精确率和召回率分别提高1百分点和9百分点.