基于奇异值分解模型的在线实时推荐的隐私保护.pdf

第 19 卷第 2 期 电子科技大学学报（社科版） Vol. 19, No. 2 2017 年 4 月 Journal of UESTC （Social Sciences Edition ） Apr. , 2017 • 管理科学与工程 • 基于奇异值分解模型的在线实时推荐 的隐私保护 □路应金　杜素娟 [电子科技大学　成都　611731] [摘　要] 利用缩减的奇异值分解更新算法和随机技术提出了一个基于奇异值分解模型的在线推 荐的隐私保护方法，将新数据混合到原始数据中保护消费者在线购物的隐私数据。实验结果表明，我 们提供的模型可以保证数据高效性和更低概率的隐私泄露，并且预测的精度仍然很高，对于实现消费 者网上隐私保护有重要的指导意义。 [关键词]　奇异值分解；隐私保护；实时推荐；协同过滤 [中图分类号] G206.2 [文献标识码] A [DOI] 10.14071/j.1008-8105(2017)02-0074-08 同过滤技术的奇异值分解算法中，以此来构建隐私 [13~14] 引言 保护系统 ，把统一的或者高斯分布的扰动加入 到用户的真实偏好中，然后服务器预测这些扰动数 伴随着电子商务的快速发展，个性化推荐系统 据的未知偏好。在这种结构下，数据拥有者也要注 成为电子商务企业在线推销商品的有力工具。亚马 意数据的快速更新，以及随着数据更新，对隐私的 逊、京东通过向消费者推荐感兴趣的产品提升在线 保护水平还可以保持在一个相对合理的位置。 商品销售的选择。推荐系统是通过构建消费者的购 Stewart研究了奇异值分解算法中的扰动理论以及其 物模式利用相关算法来预测消费者的购物偏好的系 [ 15] 在信号处理中的应用 。Brand论证了一个奇异值 统。从上世纪90年代中期就有很多关于推荐系统的 [ 1 6 ] 分解算法的快速降低矩阵的秩的修正算法 ， [1] 论文发表 ，学者们将其算法和