(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 202210427191.4 (22)申请日 2022.09.08 (71)申请人 重庆邮电大 学 地址 400065 重庆市南岸区崇文路2号 (72)发明人 杜茂康　彭俊杰　胡勇进　 (51)Int.Cl. G06F 16/9535(2019.01) G06F 21/62(2013.01) (54)发明名称 一种基于差分隐私的逻辑回归矩阵分解推 荐算法 (57)摘要 本发明涉及一种基于差分隐私的逻辑回归 矩阵分解推荐算法， 属于 隐私安全技术领域。 该 方法为： S1： 将用户评分数据转换为0/1状态的隐 式数据； S2： 对评分矩阵进行负反馈采样； S3： 将 0/1状态的隐式数据转换为二分类问题， 以概率 方式建模； S4： 构建逻辑回归模型拟合用户偏好； S5： 利用sigmoid函数对对预测评分进行非线性 变换； S6： 采用目标扰动方式对隐式反馈数据进 行隐私保护并完成推荐。 本发明在实现用户隐私 保护的同时还能有效的保证推荐结果的准确性， 实现了隐私安全性和推荐准确性的良好平衡 。 权利要求书2页 说明书6页 附图2页 CN 115221399 A 2022.10.21 CN 115221399 A 1.一种基于差分隐私的逻辑回归矩阵分解推荐算法， 其特征在于， 该方法具体包括以 下步骤： S1： 将评分矩阵R中的所有存在的评分数据rij设为1， rij表示第i个用户对第j个物 品的 评分； 评分矩阵R中用户i和项目j存在交 互(rij＞0)设为1， 其 余没有交 互的设为0 。 S2： 算法针对于隐式反馈数据， 对评分矩阵R进行预处理后， 再对评分矩阵中的缺失值 (S1中rij值为0)进行负反馈数据采样， 将评分转化为[0,1]的范围， 得到隐式数据形式的用 户评分矩阵 S3： 将隐式数据的矩阵分解转换成二分类问题， 以概率方式对用户 和项目的交互情况 建模： S4： 采用sigmo id函数对预测评分进行非线性变换， 将概 率模型转换为逻辑回归 模型： S5： 在S4模型收敛时， 可得到最优 的隐因子用户矩阵U， 然后采用目标扰动方法实现差 分隐私， 基本思想是通过在目标函数 上添加随机噪音 进行扰动， 具体为： 2.根据权利要求1所述的一种基于差分隐私的逻辑回归矩阵分解推荐算法， 其特征在 于： 所述S3、 S4中， 对隐式数据建模如下： 式中， 为存储用户与项目交互信息的隐式反馈数据矩阵； m和n分别表示用户 和项目 数量； U＝[ ui]i∈[m]， Z＝[zj]j∈[n]分别为用户因子矩阵和项目因子矩阵； ui， zj分别表示用户i 和项目j的隐因子向量； (i,j)∈P表示正反馈数据对应的用户 ‑项目对， (i,j)∈N表示负反 馈数据对应的用户 ‑项目对。 针对线性回归在分类问题上的局限性， 采用sigmoid函数对预测评分进行非线性变换， 将上式转换为如下逻辑回归 模型： 其中， g(x)＝1/(1+exp( ‑x))， 对两边取对数 可得： 为了保证推荐系统取得最好的预测效果， 需要找寻使得上式取值最大的U和Z。 同时， 为 保证模型的适应性， 基于上式设计损失函数为：权　利　要　求　书 1/2 页 2 CN 115221399 A 2式中， g(x)＝1/(1+exp( ‑x))， 为防止模型过拟合， λ是设定的正则项的参数， ||ui||与|| zj||是正则化项。 3.根据权利要求1所述的一种基于差分隐私的逻辑回归矩阵分解推荐算法， 其特征在 于， 所述S5中， 本算法考虑集中式的推荐系统场景， 即推荐系统服务器被认为是可信赖的， 意味着服务器可以收集用户与项目的交互数据并训练算法。 然而， 攻击者可以通过用户项 目的交互推 断评分数据。 为了抵御这类攻击， 推荐系统服务器对用户因子矩阵U保密存储， 只发布项目因子矩阵Z。 但项目矩阵Z中也包含用户信息， 直接发布依旧会导致隐私泄露。 所 以， 考虑对隐因子项目矩阵Z添加隐私保护机制以保护数据， 故在S4基础上在目标函数上添 加随机噪音扰动： 式中， ηj是一个噪声向量， 独立随机的服从密度函数exp( ‑ε|| ηj||/2Δ)中选取， 其中Δ ＝maxr‑minr， maxr与minr分别表示评分最大值与最小值， ε是控制隐私保护程度的隐私预算 参数， Δ是隐私保护敏感度。权　利　要　求　书 2/2 页 3 CN 115221399 A 3