(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210364309.3 (22)申请日 2022.04.08 (71)申请人 陕西师范大学 地址 710000 陕西省西安市雁塔区长延堡 办长安南路东侧 (72)发明人 李蜀瑜　李泽华　 (74)专利代理 机构 西安毅联专利代理有限公司 61225 专利代理师 杨燕珠 (51)Int.Cl. G06F 16/9536(2019.01) G06F 21/62(2013.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于差分隐私和图卷积网络的推荐方 法及装置 (57)摘要 本申请公开了一种基于差分隐私和图卷积 网络的推荐方法及装置， 涉及数据安全技术领 域， 解决了现有技术无法在保护好隐私的同时保 证推荐精 准度的问题， 本方案的方法包括获取扰 动评分信息R＊、 社交信任信息T和评论信息C， 所 述扰动评分信息R＊经过用户对项目的评分信息R 进行差分隐私多位机制扰动后得到； 对扰动评分 信息R＊进行无偏估计恢复， 得到扰动后的评分数 据集R’； 将扰动后的评分数据集R’、 社交信任信 息T以及评论信息C进行图卷积网络训练， 得到预 测结果。 通过采用本发明的推荐方法及装置， 实 现了对用户隐私保护的同时还可以结合用户多 种维度的信息进行精准推荐。 权利要求书2页 说明书11页 附图3页 CN 115310002 A 2022.11.08 CN 115310002 A 1.一种基于 差分隐私和图卷积网络的推荐方法， 其特 征在于， 包括： 获取扰动评分信息R＊、 社交信任信息T和评论信息C； 所述扰动评分信息R＊经过用户对 项目的评分信息R进行差分隐私多位机制扰动 后得到； 对所述扰动评分信息R＊进行无偏估计恢复， 得到扰动 后的评分数据集R ’； 将所述扰动后的评分数据集R ’、 所述社交信任信息T以及所述评论信息C进行图卷积网 络训练， 得到预测结果。 2.根据权利要求1所述的基于差分隐私和图卷积网络的推荐方法， 其特征在于， 应用多 位机制编码器对所述评分信息R进行差分隐私多位机制扰动， 得到所述扰动评分信息R＊。 3.根据权利要求2所述的基于差分隐私和图卷积网络的推荐方法， 其特征在于， 所述应 用多位机制编码器对所述评分信息R进行差分隐私多位机制 扰动， 得到所述扰动评分信息 R＊， 包括： 获取用户 ‑项目评分向量x、 隐私预算ε、 采样参数w、 数据集维度d以及评分极值α、 β； 其 中x∈[α， β ]d， ε＞0， w∈{1,2,3， …， d}； 随机从所述采样参数w中均匀采样一组值S； 对于任 意w∈{1,2,3， …， d}， 如果w∈S时， Sw ＝1， 否则Sw＝0； 计算所述扰动评分信息R＊： 设变量tw； 则有 4.根据权利要求3所述的基于差分隐私和图卷积网络的推荐方法， 其特征在于， 所述对 所述扰动评分信息R＊进行恢复无偏估计恢复， 得到扰动 后的评分数据集R ’包括： 对于任意的所述扰动评分信息R＊， 通过多位机制编码器将已编码的评分 向量x＊转为无 偏扰动向量x＇ ， 使E[x*]＝x； 其中， 多位机制编码器的执 行方式表述 为： 计算所述扰动 后的评分数据集R ’： R’＝[x'1,…,x'w]T。 5.根据权利要求1所述的基于差分隐私和图卷积网络的推荐方法， 其特征在于， 所述图 卷积网络训练通过异构图卷积核结构作为卷积核 进行预测， 得到预测结果。 6.根据权利要求5所述的基于差分隐私和图卷积网络的推荐方法， 其特征在于， 所述异 构图卷积核结构包括 三层异构图卷积网络训练； 第一层异构图卷积网络表示为： 其中， u为用户， k 为卷积层数， i和j为表述特征矩阵维度的参数， N为项目集合， 为逐层表示的用户与项目 串联， 为节点自身的可训练参数的参数矩阵， 为节点的邻居节点的可训练权　利　要　求　书 1/2 页 2 CN 115310002 A 2参数的参数矩阵， 为用户在第k ‑1层卷积后的多种异构图卷积嵌入向量， L异构卷积 网 络拉普拉斯矩阵， I 为单位矩阵， r 表示第r种邻域的聚合向量， σ 为ReLU激活函数； 第二异构图卷积网络表示 为： 其中， 为在第二层卷积网络 的卷积操作， 与 为向量卷积中特 征向量对应的可训练权 重； 第三异构图卷积网络表示 为： 其中， θ 为聚合 函数。 7.根据权利要求6所述的基于差分隐私和图卷积网络的推荐方法， 其特征在于， 所述图 卷积网络训练通过异构图卷积核结构作为卷积核 进行预测之后， 还 包括： 将每一层的异构图卷积网络 进行连接， 得到包 含来自每 个GCN层信息的整体嵌入； 预测用户u对项目i的预测分数， 得到目标函数 其中 表示用户嵌入， 表示项目嵌入。 8.根据权利要求7所述的基于差分隐私和图卷积网络的推荐方法， 其特征在于， 所述预 测用户u对项目i的预测分数之后， 还 包括： 使用BPR算法进行损失函数训练， 所述损失函数训练过程表达为： Ds＝{(u,i,j)|(u,i)∈R+,(u,j)∈R‑}， 其中， O表示隐反馈中的隐因子， Ds表示训练数据的集合， R+表示已进行的评分活动， R‑ 表示未进行的评分活动， yscore为数据集中实际值， 为预测值， λ表示 正则化参数。 9.一种基于 差分隐私和图卷积网络推荐装置， 其特 征在于， 包括： 获取模块， 所述获取模块用于获取扰动评分信息R＊、 社交信任信息T和评论信息C； 所述 扰动评分信息R＊经过用户对项目的评分信息R进行差分隐私多位机制扰动 后得到； 无偏估计恢 复模块， 所述无偏估计恢 复模块用于对所述扰动评分信 息R＊进行无偏估计 恢复， 以得到所述扰动 后的评分数据集R ’； 训练模块， 所述训练模块用于将所述扰动后的评分数据集R ’、 所述社交信任信息T以及 所述评论信息 C进行图卷积网络训练， 得到预测结果。 10.一种服 务器， 其特 征在于， 包括： 存 储器和处 理器； 所述存储器用于存 储程序指令； 所述处理器用于执行服务器 中的程序指令， 使得所述服务器执行如权利要求1～8中任 一项所述的基于 差分隐私和图卷积网络的推荐方法。权　利　要　求　书 2/2 页 3 CN 115310002 A 3