压缩降维矩阵分解算法的差分隐私推荐

摘要

为提供更好的用户体验,提出一种考虑压缩降维矩阵分解的差分隐私随机扰动推荐算法.首先,改进了局部差分隐私保护(LDP)的下矩阵分解算法,单个用户将自己的数据随机化以满足不同的隐私,并将受干扰的数据发送到推荐器.然后,推荐者计算扰动数据的聚集,框架确保了用户的项目和评级对推荐者都是私有的.同时为解决LDP应用于矩阵因式分解时存在的数据高维特性,采用了随机投影降维技术,在没有数据先验知识情况下减少用户数据的维度.通过在Last.fm和Flixster测试集上对推荐系统的推荐精度、推荐效率以及参数变化影响进行了实验分析,证明了上述算法在更强的隐私要求下比现有的算法具有更好的矩阵分解性能,验证了算法的有效性.