满足差分隐私的逻辑回归矩阵分解推荐算法

摘要

为了提高隐私保护下的推荐算法准确性,提出了一种满足差分隐私保护的逻辑回归矩阵分解推荐算法。该算法首先将隐式数据的矩阵分解转换为分类问题并以概率方式对其建模;然后采用sigmoid函数对预测评分进行非线性变换,将原始的矩阵分解问题转换成用户隐因子和项目隐因子的优化问题,并对目标函数添加随机噪音进行扰动,使算法满足差分隐私保护。在Movielens100K,Movielens1M和YahooMusic数据集上进行实验,并与现有算法进行对比,该算法在F1值指标上分别提升了9.29%,7.40%和3.61%。理论分析和实验结果表明,所提算法在实现用户隐式反馈数据保护的同时还能有效地保证推荐结果的准确性,具有良好的应用价值。