(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 202210533312.3 (22)申请日 2022.05.17 (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 王永　罗陈红　冉珣　杨久裕　 高明星　 (51)Int.Cl. G06F 16/9536(2019.01) G06F 21/62(2013.01) (54)发明名称 一种基于差分隐私的隐式反馈协同过滤推 荐方法 (57)摘要 本发明涉及一种基于差分隐私的隐式反馈 协同过滤推荐方法， 属于计算机推荐系统领域和 信息安全领域。 该方法具体包括： 将用户的隐式 反馈数据转化 成数值为0或1的隐式反馈矩阵； 构 造目标函数L(P,Q)， 交替最小二乘法求解L(P, Q)， 存储用户隐因子矩阵P； 将求得的用户隐因子 矩阵P代入目标函数L(P,Q)， 得到关于项目隐因 子矩阵Q的目标函数L(Q)， 考虑每一个项目i∈I 的目标函数L(qi)， 将目标函数L(qi)展开为多项 式， 降低目标函数的敏 感度， 使用少量Laplac e噪 声对目标函数进行扰动； 对所有加噪的目标函数 求解， 得到加噪的项目隐因子向量 聚合所有的 得到矩阵 本发明具有良好 的隐私保护性和模型准确性。 权利要求书3页 说明书8页 附图5页 CN 114943041 A 2022.08.26 CN 114943041 A 1.一种基于差分隐私的隐式反馈协同过滤推荐方法， 其特征在于， 该方法具体包括以 下步骤： S1： 将用户对项目的隐式反馈数据转化成数值为0或1的隐式反馈矩阵， 0表示用户对项 目的非正反馈， 1表示用户对项目的正反馈； S2： 随机初始化矩阵P、 Q、 P是用户隐因子矩阵， 表示矩阵P的第u行， 代表第u 个用户的隐因子向量； Q是项目隐因子矩阵， 表示矩阵Q的第i行， 代表第i个项目的 隐因子向量； 是加噪的项目隐因子矩阵， 表示矩阵 的第i行， 代表第i个项目加噪 的隐因子向量； d表示隐因子向量的维度； S3： 构建目标函数L(P， Q)， 交替 最小二乘法(ALS)求 解并保存矩阵P； S4： 将S3中得到的P代入L(P， Q)， 得到关于Q的目标函数L(Q)， 考虑每一个项目i∈I的目 标函数L(qi)； 将L(qi)展开为多项式， 计算系数的敏感度， 从Laplace分布采样噪声， 对L(qi) 做目标扰动， 得到加噪的目标函数 S5： 对所有加噪的目标函数 求解， 得到加噪的隐因子向量 聚合所有的 得 到矩阵 S6： 根据公式 进行预测， 对S1所述隐式反馈矩阵中非正反馈项目的预测结果进 行排序， 将TOP ‑N个项目推荐给用户。 2.根据权利要求1所述的一种基于差分隐私的隐式反馈协同过滤推荐方法， 其特征在 于： 在所述 步骤S1中， 将用户对 项目的隐式反馈数据转 化成数值 为0或1的隐式反馈矩阵 数值0表示用户对项目的非正反馈， 数值1表示用户对项目的正反馈， U是包含所有 用户的集 合， I是包 含所有项目的集 合， |U|表示U中用户的个数， |I|表示 I中项目的个数。 3.根据权利要求1所述的一种基于差分隐私的隐式反馈协同过滤推荐方法， 其特征在 于： 在所述步骤S2中， 随机初始化矩阵P、 Q、 P是用户隐因子矩阵， 表示矩阵P的第 u行， 代表第u个用户的隐因子向量； Q是项 目隐因子矩阵， 表示矩阵Q的第i行， 代表 第i个项目的隐因子向量； 是加噪的项目隐因子矩阵， 表示矩阵 的第i行， 代表第 i个项目加噪的隐因子向量； d表示隐因子向量的维度。 4.根据权利要求1所述的一种基于差分隐私的隐式反馈协同过滤推荐方法， 其特征在 于： 在所述步骤S3中， 构建目标函数L(P， Q)， 使用交替最小二乘法求解并保存矩阵P。 具体包 括以下步骤： S31： 将隐式反馈矩阵分解成两个低维矩阵P、 Q， 构建目标函数： 其中， u表示第u个用户， i表示第i个项 目， (u， i)表示第u个用户对第i个项 目的隐式反 馈， S表示正反馈样本集合， 表示非正反馈样本集合， 是正反馈损失函权　利　要　求　书 1/3 页 2 CN 114943041 A 2数， 是非正反馈损失函数， α0是非正反馈损失函数的权重， λ表示正则化系 数， ‖·‖F表示矩阵的F 范数， 此处α0取值为1。 S32： 对每一个用户计算用户隐因子向量， 第u个用户计算用户隐因子向量pu的计算公式 如下： 其中， Iu表示用户u的正反馈项目集合， 表示用户u的非正反馈项目集合， 表示qi×qiT， 表示单位矩阵， 根据所有的用户隐因子向量更新矩 阵P。 S33： 对每一个项目计算项目隐因子向量， 第i个项目计算项目隐因子向量qi的计算公式 如下： 其中， Ui表示项目i的正反馈用户集合， 表示项目i的非正反馈用户集合， 表示pu×puT， 表示单位矩阵， 根据所有的项目隐因子向量更新矩 阵Q。 重复步骤S32、 S3 3对P、 Q进行迭代， P、 Q满足停止条件时结束迭代并保存矩阵P。 5.根据权利要求1所述的一种基于差分隐私的隐式反馈协同过滤推荐方法， 其特征在 于： 在所述步骤S4中， 将S3中得到的P代入L(P， Q)， 得到关于Q的目标函数L(Q)， 考虑每一个 项目i∈I的目标函数L(qi)， 将L(qi)展开为多项式， 计 算系数的敏感度， 从Laplace分布 采样 噪声， 对L(qi)做目标扰动， 得到加噪的目标函数 具体包括以下步骤： S41： 将S3中得到的P代入L(P， Q)， 得到关于Q 的目标函数L(Q)， 考虑每一个项目i∈I 的 目标函数L(qi)， 将L(qi)展开为多项式： 其中， Ui表示项目i的正反馈用户集合， 表示项目i的非正反馈用户集合， 表示pu×puT， α0是非正反馈损失函数的权重， λ表示正则化系数， ‖ ·‖2表示 向量的2范数； |Ui|是目标函数L(qi)中的常数项， 省略|Ui|不影响函数L(qi)的求解， 目标函 数改为： L(qi)＝l2(qi)‑l1(qi)+R(qi) 其中，权　利　要　求　书 2/3 页 3 CN 114943041 A 3