原文服务方: 计算机应用研究       
摘要:
推荐系统需要利用到大量的用户行为数据,这些数据极有可能暴露用户的喜好,给人们关心的隐私问题带来巨大的挑战.为保证推荐精度与用户隐私,提出一种结合差分隐私与标签信息的矩阵分解推荐模型.该模型首先将标签信息加入到项目相似度的计算过程;随后融入到矩阵分解推荐模型中提高推荐精度;最后运用随机梯度下降法求解模型最优值.为解决用户隐私问题,将拉普拉斯噪声划分成两部分,分别加入项目相似度与梯度求解过程中,使得整个推荐过程满足ε-差分隐私,并在一个真实的数据集上分析验证算法的有效性.实验表明,提出的方法在保证用户隐私的情况下,仍具有较高的推荐精度.
推荐文章
基于标签的矩阵分解推荐算法
标签
矩阵分解
推荐算法
因子向量
融合隐含信任度和项目关联度的矩阵分解推荐算法
推荐系统
协同过滤
社交网络
隐含信任度
项目关联度
矩阵分解
融合内容与矩阵分解的混合推荐算法
混合推荐
矩阵分解
冷启动
参数优化
局部结构
差分隐私保护在推荐系统中的应用研究
推荐系统
个人隐私保护
差分隐私
矩阵分解
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 融合标签相似度的差分隐私矩阵分解推荐算法
来源期刊 计算机应用研究 学科
关键词 推荐系统 矩阵分解 标签相似度 差分隐私 隐私保护
年,卷(期) 2020,(3) 所属期刊栏目 信息安全技术
研究方向 页码范围 851-855
页数 5页 分类号 TP309.2
字数 语种 中文
DOI 10.19734/j.issn.1001-3695.2018.08.0654
五维指标
作者信息
序号 姓名 单位 发文数 被引次数 H指数 G指数
1 郑剑 江西理工大学信息工程学院 64 155 6.0 10.0
2 王啸乾 江西理工大学信息工程学院 1 0 0.0 0.0
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (57)
共引文献  (103)
参考文献  (9)
节点文献
引证文献  (0)
同被引文献  (0)
二级引证文献  (0)
1996(1)
  • 参考文献(0)
  • 二级参考文献(1)
1999(1)
  • 参考文献(0)
  • 二级参考文献(1)
2000(1)
  • 参考文献(0)
  • 二级参考文献(1)
2003(1)
  • 参考文献(0)
  • 二级参考文献(1)
2007(1)
  • 参考文献(0)
  • 二级参考文献(1)
2009(7)
  • 参考文献(0)
  • 二级参考文献(7)
2010(6)
  • 参考文献(0)
  • 二级参考文献(6)
2011(8)
  • 参考文献(1)
  • 二级参考文献(7)
2012(7)
  • 参考文献(0)
  • 二级参考文献(7)
2013(10)
  • 参考文献(0)
  • 二级参考文献(10)
2014(6)
  • 参考文献(0)
  • 二级参考文献(6)
2015(3)
  • 参考文献(1)
  • 二级参考文献(2)
2016(9)
  • 参考文献(3)
  • 二级参考文献(6)
2017(3)
  • 参考文献(2)
  • 二级参考文献(1)
2018(1)
  • 参考文献(1)
  • 二级参考文献(0)
2019(1)
  • 参考文献(1)
  • 二级参考文献(0)
2020(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
研究主题发展历程
节点文献
推荐系统
矩阵分解
标签相似度
差分隐私
隐私保护
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
计算机应用研究
月刊
1001-3695
51-1196/TP
大16开
1984-01-01
chi
出版文献量(篇)
21004
总下载数(次)
0
总被引数(次)
238385
论文1v1指导