基于知识图谱的推荐系统公平性研究
这是一篇关于推荐系统,知识图谱,公平性,公平表征学习,算法去偏的论文, 主要内容为基于知识图谱的推荐系统从诞生之初就引起了学术界以及工业界研究人员极大的兴趣,这类推荐系统不仅可以很好的解决冷启动问题,还能为企业业务的增长提供可靠的解决方案,我们的社会生活与之密不可分。研究人员在设计和使用这些系统时,需要考虑公平性问题,避免这些系统对某些个人或群体产生歧视,甚至加深已有的歧视。然而本文发现即使没有显式的将受保护的敏感属性信息引入到知识图谱中,推荐系统仍然可以捕捉到这些敏感属性信息,从而产生不公平的推荐结果。现有的大多数去偏方法需要复杂的模型设计或者只能应用于特定的模型,并且只能处理单个敏感属性的公平约束,难以用于多敏感属性的去偏场景。而部分能够进行多敏感属性公平约束的方法只是简单地将单个敏感的过滤器线性组合起来,以完成多敏感属性去偏工作,忽略了敏感属性之间的潜在关联,不能保证所有多敏感属性群体都满足公平约束。除此之外,还有一些方法对输入数据的公平性有特殊要求,难以应用于现实生活中的推荐场景。为了解决上述问题,本文提出了适用于任意基于知识图谱的推荐系统的公平表征学习模型。本文通过引入敏感图来学习敏感属性之间的潜在关系,以灵活适应多敏感属性的公平约束场景。具体来说,给定一个基于知识图谱的推荐模型,首先以受保护的敏感属性作为节点,动态学习敏感属性节点之间的隐藏关系,以此构建敏感图;然后将敏感图的表征与原始的知识图谱的表征融合起来,在不改变原始推荐算法的情况下,引入对抗学习框架来去除利用敏感图以及原始知识图谱生成的用户表征中的敏感属性信息;最后,本文在两个公开真实的推荐数据集上进行了大量的实验,结果表明本文所提出模型可以提升任意基于知识图谱的推荐系统的公平性表现,而且几乎不损失系统的推荐性能。
基于Strand Space模型的安全协议形式化分析研究
这是一篇关于安全协议,形式化分析,Strand Space模型,公平性,代理多重签名的论文, 主要内容为随着网络的普及以及电子商务和电子政务的蓬勃兴起，网络安全问题日显突出。安全协议，作为解决安全问题最行之有效的方法，也就变得越来越重要。然而，在复杂的网络环境中，要确保安全协议的正确性却是件很难解决的问题，它已成为一项重要的研究课题。20年来，为了应对这一挑战，科学家们在安全协议分析这一领域投入了大量的精力。在已有的理论和方法中，形式化分析方法的成果较为突出。 在各种形式化分析方法中，被普遍认为最有前景的最新研究成果是由Fabrega，Herzog和Guttman三人提出的Strand Space模型。它充分吸收了前人的研究成果，使用一种节点间存在因果关系的有向图来表示协议中主体、入侵者的动作序列，利用证明的方法推导协议的正确性，可以防止状态空间爆炸。它是一种直观、简洁、严格、有效的形式化分析方法。 本文深入研究了Strand Space理论，并用该理论分析了若干协议： 1．Yahalom协议。建立了Yahalom协议的Strand Space模型，并进行了深入的讨论； 2．一种传输模型的认证协议。建立了该协议的Strand Space模型，通过分析，发现协议存在漏洞，并构造出了一种攻击方法，最后针对漏洞对协议进行了改进； 3．ISI支付协议。将Strand Space理论运用到电子商务协议公平性的分析中，得到了与其他分析方法一致的结果。 此外，本文在基础理论部分对代理多重签名进行了研究，提出了一种增强的代理多重签名方案。
图神经网络可解释性关键技术研究
这是一篇关于图神经网络,公平性,动态图,可解释性的论文, 主要内容为图神经网络被广泛应用于社交网络分析,知识图谱,推荐系统等场景中并且表现出了极其优秀的性能。但由于图神经网络结构的高度不对称性和传播规则较为复杂等因素,使得研究图神经网络算法的可解释性方法面临重重挑战。现有的可解释性主要针对于静态图场景,但在现实场景中,图数据会发生变化。此外图神经网络可能从训练数据中学习到某些敏感信息(例如性别,年龄等),导致图神经网络失去了公平性,缺少可解释性和公平性等因素都将妨碍图神经网络在与公平、隐私和安全相关的关键应用领域中的使用。为了解决上述问题,本文提出了动态图场景下可解释性方法,该方法以微分几何的观点,将图神经网络的预测概率分布看作为低维流形,将其嵌入到高维的欧几里得空间中,并重新参数化了流形上的曲线,设计了凸函数作为目标函数,通过求解该凸优化问题来找到关键路径作为可解释性依据。在图神经网络的节点分类,链接预测和图分类任务上进行相关实验,实验结果表明本文中所提出的可解释性方法比现有的可解释性方法具有更好的稀疏性,忠诚度和直观性。此外,本文提出了公平性场景下的可解释性方法,首先定义了一个新的公平性损失函数,在不显著损害预测准确率的情况下优化邻接矩阵来实现模型的公平性。为了理解图神经网络公平性转变的原因,进一步提出了节点级别和路径级别的可解释性方法,通过分层抽样和线性规划来选择关键节点,解释图神经网络的公平性,通过求解凸优化方法来选择关键路径,解释关键节点预测概率变化的原因。在七个图数据集上进行相关实验,实验结果表明本文中所提出的方法可以实现更有效的公平性,并且解释方法可以直观的指出图神经网络公平性转变的原因。
基于Strand Space模型的安全协议形式化分析研究
这是一篇关于安全协议,形式化分析,Strand Space模型,公平性,代理多重签名的论文, 主要内容为随着网络的普及以及电子商务和电子政务的蓬勃兴起，网络安全问题日显突出。安全协议，作为解决安全问题最行之有效的方法，也就变得越来越重要。然而，在复杂的网络环境中，要确保安全协议的正确性却是件很难解决的问题，它已成为一项重要的研究课题。20年来，为了应对这一挑战，科学家们在安全协议分析这一领域投入了大量的精力。在已有的理论和方法中，形式化分析方法的成果较为突出。 在各种形式化分析方法中，被普遍认为最有前景的最新研究成果是由Fabrega，Herzog和Guttman三人提出的Strand Space模型。它充分吸收了前人的研究成果，使用一种节点间存在因果关系的有向图来表示协议中主体、入侵者的动作序列，利用证明的方法推导协议的正确性，可以防止状态空间爆炸。它是一种直观、简洁、严格、有效的形式化分析方法。 本文深入研究了Strand Space理论，并用该理论分析了若干协议： 1．Yahalom协议。建立了Yahalom协议的Strand Space模型，并进行了深入的讨论； 2．一种传输模型的认证协议。建立了该协议的Strand Space模型，通过分析，发现协议存在漏洞，并构造出了一种攻击方法，最后针对漏洞对协议进行了改进； 3．ISI支付协议。将Strand Space理论运用到电子商务协议公平性的分析中，得到了与其他分析方法一致的结果。 此外，本文在基础理论部分对代理多重签名进行了研究，提出了一种增强的代理多重签名方案。
公平性增强的群组推荐算法研究与应用
这是一篇关于群组推荐,公平性,综合信任,流行度的论文, 主要内容为随着互联网技术和社交网络的快速发展,传统的个性化推荐算法已经无法满足联系日益紧密用户群体的推荐需求。群组推荐算法旨在为多个用户组成的群体提供推荐服务,已成为推荐系统中的研究热点。目前,针对群组推荐的研究大多集中在缓解成员间的偏好冲突以提高推荐准确率,群组推荐的公平性鲜少研究。一方面,群组由多名成员组成,协调群组成员的公平性,减少组内用户不合理的反馈,对群组推荐能否长久存续起着至关重要的作用;另一方面,推荐系统中的项目呈现长尾分布,流行度较低、用户反馈较少的项目在群组中缺乏推荐机会,淹没在推荐系统中,给予项目被公平选择的机会是群组推荐必须考虑的问题。本文围绕群组推荐的公平性展开深入研究,主要工作如下:(1)为了满足群组用户的需求,当前群组推荐算法主要利用用户共识偏好代替个人偏好进行群组推荐,仅能满足群组中大多数用户,而忽视少部分与群组偏好存在较大差异的用户需求。为了提高群组推荐的用户公平性,本文提出了一种基于划分子组的公平性群组推荐算法,算法引入用户间的综合信任值将群组划分为不同的子组,根据均值融合策略获取初始子组推荐列表,采用Page Rank思想设置子组权重,从而为子组分配推荐项目数量,结合子组推荐列表和子组分配项目数,得到群组推荐列表。实验结果表明,较均值策略、最小痛苦策略等,所提算法在推荐准确率上分别提升了1.1%、1.8%等,在推荐满意度上分别提升了1.7%、4.1%等,在综合性评价指标上分别提升了4%、7.5%等。本文算法在提高群组公平推荐的前提下能够最大程度满足用户个性化推荐需求。(2)去除项目的流行度偏见,提高项目公平性,在传统推荐算法中取得一系列研究成果,但对群组推荐中的项目公平性问题鲜有研究。针对群组推荐系统中项目的公平性问题,本文提出了一种基于项目流行度和质量的公平性群组推荐算法。算法在群组发现时过滤低相似度的用户,并融合项目的流行度和质量为项目设置权重。同时考虑到用户偏好随时间产生变化,设置时间衰减函数,重新计算项目预测评分,得到群组推荐列表。实验结果表明,较均值策略、最小痛苦策略等,所提算法在推荐准确率上分别提升了1%、3.7%等,在推荐列表多样性上分别提升了4.6%、0.9%等,在推荐列表覆盖率上分别提升了3.5%、4.1%等。本文算法不仅能够有效去除流行度偏见导致的不公平问题,同时保证了推荐的准确率。(3)针对群组成员公平性,设计并实现了以电影推荐为例的群组推荐原型系统。该系统不仅可以为用户提供群组推荐,也可以根据用户的个性化需求提供推荐服务。将该系统与均值策略下的群组推荐系统进行对比表明,本文所设计的群组推荐原型系统可以有效提高群组成员公平性,证实了群组推荐的理论价值和现实意义。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码向导 ，原文地址：https://m.bishedaima.com/lunwen/54108.html
