基于差分隐私的社会化推荐系统研究
这是一篇关于差分隐私,隐私保护,社会化推荐系统,联邦推荐算法的论文, 主要内容为随着移动网络和电子商务的飞速发展,推荐系统在我们的日常生活中起着日益重要的作用。推荐系统可以缓解用户面临的信息过载问题,帮助用户做出决策。而与传统的仅仅基于用户个人的历史评分给出预测结果的推荐系统相比,近年来,伴随着网络社交规模的不断扩大,许多推荐系统也开始使用这些用户之间的社交信息作为补充信息来对推荐算法进行优化,这些推荐系统也被称为社会化推荐系统。社会化推荐系统是对用户行为进行了更真实的模拟,并且有利于缓解用户冷启动和评分数据稀疏问题。然而,随着近几年法律法规的完善与公民隐私意识的提高,个人、企业和政府纷纷越来越重视用户数据的隐私问题。而推荐系统由于使用到大量的用户数据,也不可避免地涉及到用户数据的隐私问题。对于推荐系统而言,解决推荐系统中用户数据的隐私问题不仅仅是对用户隐私的保护,也有利于服务商在服务质量、用户忠诚度方面的利益增长。然而现有的社会化推荐系统对用户隐私的保护尚不完善,这容易导致用户出于保护个人隐私的目的,不愿意提供个人评分、甚至刻意给出不真实评分,最终也影响推荐系统的表现。本课题的研究便是基于上述背景,主要的研究内容分为两部分:第一部分,对于现有的社会化推荐系统中存在的隐私问题,我们提出了一个差分隐私的社会化推荐系统。在该算法中,我们指出了社会化推荐算法面临的隐私问题、对攻击者的假设以及整个差分隐私的社会化推荐系统在隐私性和准确性上目标,然后以广泛使用的三种基于矩阵分解技术的社会化推荐算法为基础,结合合适的差分隐私机制,从而降低社会化推荐系统中的隐私预算,提高对用户数据的保护强度。并通过在两个真实数据集上的实验评估,对比已有的方案,验证了本算法在保护用户评分数据的同时,仍能较好地保留推荐系统评分预测的准确性。第二部分,当推荐系统拥有更加充足的用户数据时,作出的预测结果通常也会更加准确,而实际生活中同一用户的各类数据可能分布在不同的数据方,同时各个数据方出于利益和法规的原因,不能直接交换各自拥有的原始用户数据,而需要通过使用纵向切分下的推荐算法协作获得推荐系统更优的表现,即便如此,和第一部分数据中心化下的推荐系统一样,也避免不了用户评分数据的隐私问题,因此,我们提出了数据纵向切分下的差分隐私的社会化推荐系统。我们基于当下联邦推荐算法的理念,并针对联邦推荐架构中梯度聚合的问题,引入多方安全计算技术取代已有方案中参数服务器的功能,减少了推荐系统对可信服务器的依赖性,从而实现在数据纵向切分情况下对社会化推荐系统中用户评分数据的隐私保护。最后通过实验测试,并与其余算法对比,验证了本算法的有效性。
基于图神经网络的社会化推荐算法研究
这是一篇关于社会化推荐系统,协同过滤,图卷积网络,图注意力网络,自适应网络的论文, 主要内容为现如今社会化推荐系统受到了广泛的关注,其通过用户的社会信息如关注、信任等内容来缓解推荐系统面临的稀疏问题,从而提高推荐系统的推荐性能。但是社会信息中存在着两方面问题:稀疏问题以及噪音问题。矛盾的是,如果只解决稀疏问题,那么噪音问题就会变得更加严重,而如果只解决噪音问题,那么稀疏问题就会变得更加严重。因此,社会化推荐系统的关键核心在于缓解社会信息中的稀疏、噪音问题以及特征的提取方式的设计。本文以社会信息中的信任信息出发,使用图卷积网络技术,设计了两个图神经网络模型来学习用户和项目的表征。(1)提出了基于图卷积网络的自适应学习用户隐式信任行为模型,该模型主要目的是学习用户的隐式信任行为,缓解社会信息当中存在的噪音问题以及稀疏问题。首先,根据相似性算法来过滤掉信任数据中的噪音,仅保留可靠的信任信息;其次,利用图卷积神经网络对数据进行建模,提取用户和项目的表征;最后,模型能够根据用户的表征自适应的学习用户的隐式信任行为,并对用户的隐式信任属性进行推断,完善用户的隐式信任属性。(2)提出了一个基于图注意力网络的自适应学习用户信任反馈模型,该模型的主要目的是挖掘用户的社会信息当中存在的隐式关系,以此来更加精确的预测用户的表征。首先,通过相似度算法以有监督的方式增加用户的隐式信任好友;其次,根据用户的信任关系构建用户-用户信任二分图,并利用图注意力网络进行建模,获得用户和项目的表征;最后,模型根据用户-用户信任二分图、用户-项目交互二分图学习到的用户表征来自适应学习用户的隐式信任行为,并更新用户的信任特征。最后,在三个公开数据集上对提出的两个模型进行实验。实验结果证明,两个模型在两个推荐性能指标(准确率和NDCG)上,与流行的推荐算法相比,推荐性能有所提高。而在训练时间上的实验当中,本文提出的第一个模型与最近的社会化推荐算法相比,耗时最短。
基于社交网络上下文结构特征学习的社会化推荐系统研究
这是一篇关于社会化推荐系统,社交网络表示学习,图嵌入,评分预测的论文, 主要内容为随着移动互联网的蓬勃发展,互联网上海量的信息给用户造成了严重的信息过载问题,用户无法从这些信息中分辨哪些是重要的信息,推荐系统使这一问题得到了有效的解决。而传统的推荐系统因为用户行为数据稀疏,冷启动等固有问题,难以提供足够准确合理的推荐结果。随着社交网络的不断发展,社交数据成为推荐系统一个重要的可利用的数据来源,致力于挖掘用户的社交数据中蕴含的信息用于提升推荐系统的性能的社会化推荐系统应运而生。本文研究如何使用在线社交网络的社交信息数据来提升推荐系统的推荐性能,具体来说,通过学习社交网络的结构特征信息,来提升推荐系统的推荐性能。本文的研究内容主要如下:(1)针对已有的传统的社会化推荐系统模型难以挖掘社交网络中的间接的,高阶的依赖关系,不能同时对多元的社交信息进行处理,以及社交信息的融合方式过于单一,无法提供个性化的推荐结果的问题,本文提出了一种基于Node2Vec全局的社交网络嵌入,和隐因子模型的评分预测推荐模型。该模型结合了隐因子模型,Node2Vec网络嵌入表示技术,以及两种不同的社交信息的融合方法。Node2Vec作为一种通用的网络嵌入表示学习技术,使模型可以在充分挖掘局部的和全局的社交信息的同时,能够处理不同类型的社交信息。而两种不同的社交信息的融合方式,保证了模型提供的推荐结果能够充分满足用户的个性化的需求。(2)针对社交嵌入表示向量直接融合进矩阵分解模型提升的改进十分有限这一问题,本文进一步提出了使用基于元路径的随机游走的方法,结合Node2Vec方法的节点嵌入部分,对异构网络中的不同类型的节点进行嵌入表示,从而到达对用户的社交信息在兴趣层面上进行过滤的目的,来使推荐性能进一步提升。在社交信息的融合方法方面,提出了基于注意力机制的社交信息的融合方式。最后,为了进行定量的实验对比,针对两个模型在真实数据集上进行了实验,结果表明,提出的两种方法,较以往的社会化推荐系统模型,均取得了更优的推荐性能,有效缓解了推荐系统的数据稀疏和冷启动问题,充分说明了所提出的算法的合理性与有效性。
基于差分隐私的社会化推荐系统研究
这是一篇关于差分隐私,隐私保护,社会化推荐系统,联邦推荐算法的论文, 主要内容为随着移动网络和电子商务的飞速发展,推荐系统在我们的日常生活中起着日益重要的作用。推荐系统可以缓解用户面临的信息过载问题,帮助用户做出决策。而与传统的仅仅基于用户个人的历史评分给出预测结果的推荐系统相比,近年来,伴随着网络社交规模的不断扩大,许多推荐系统也开始使用这些用户之间的社交信息作为补充信息来对推荐算法进行优化,这些推荐系统也被称为社会化推荐系统。社会化推荐系统是对用户行为进行了更真实的模拟,并且有利于缓解用户冷启动和评分数据稀疏问题。然而,随着近几年法律法规的完善与公民隐私意识的提高,个人、企业和政府纷纷越来越重视用户数据的隐私问题。而推荐系统由于使用到大量的用户数据,也不可避免地涉及到用户数据的隐私问题。对于推荐系统而言,解决推荐系统中用户数据的隐私问题不仅仅是对用户隐私的保护,也有利于服务商在服务质量、用户忠诚度方面的利益增长。然而现有的社会化推荐系统对用户隐私的保护尚不完善,这容易导致用户出于保护个人隐私的目的,不愿意提供个人评分、甚至刻意给出不真实评分,最终也影响推荐系统的表现。本课题的研究便是基于上述背景,主要的研究内容分为两部分:第一部分,对于现有的社会化推荐系统中存在的隐私问题,我们提出了一个差分隐私的社会化推荐系统。在该算法中,我们指出了社会化推荐算法面临的隐私问题、对攻击者的假设以及整个差分隐私的社会化推荐系统在隐私性和准确性上目标,然后以广泛使用的三种基于矩阵分解技术的社会化推荐算法为基础,结合合适的差分隐私机制,从而降低社会化推荐系统中的隐私预算,提高对用户数据的保护强度。并通过在两个真实数据集上的实验评估,对比已有的方案,验证了本算法在保护用户评分数据的同时,仍能较好地保留推荐系统评分预测的准确性。第二部分,当推荐系统拥有更加充足的用户数据时,作出的预测结果通常也会更加准确,而实际生活中同一用户的各类数据可能分布在不同的数据方,同时各个数据方出于利益和法规的原因,不能直接交换各自拥有的原始用户数据,而需要通过使用纵向切分下的推荐算法协作获得推荐系统更优的表现,即便如此,和第一部分数据中心化下的推荐系统一样,也避免不了用户评分数据的隐私问题,因此,我们提出了数据纵向切分下的差分隐私的社会化推荐系统。我们基于当下联邦推荐算法的理念,并针对联邦推荐架构中梯度聚合的问题,引入多方安全计算技术取代已有方案中参数服务器的功能,减少了推荐系统对可信服务器的依赖性,从而实现在数据纵向切分情况下对社会化推荐系统中用户评分数据的隐私保护。最后通过实验测试,并与其余算法对比,验证了本算法的有效性。
基于用户上下文与交互行为的社会化推荐系统研究
这是一篇关于社会化推荐系统,上下文,交互行为,信任网络,特征选择,因子分解机的论文, 主要内容为社会化推荐系统是为了缓解传统推荐系统的数据稀疏性与冷启动问题所提出的推荐方法。随着社交平台的流行,用户的社会化信息蕴藏着丰富的挖掘价值,因此,将用户的社会化信息作为输入的社会化推荐系统受到广泛关注。社会化推荐系统的主要业务流程包括构建用户信任网络和生成推荐两部分。完善的信任网络可以全面地反映用户间的关系并且可以有效缓解数据稀疏和冷启动问题。本文提出了“基于用户交互行为的信任网络构建模型”(简称SocPro),该模型通过用户间的交互行为以及信任传播机制预测用户的全局信任度;通过引入时间衰退因子,结合用户间的直接交互行为和用户间相似度,得到用户间的直接交互信任度和相似信任度,从而构建有向带权信任网络。本模型克服了“基于用户行为的信任网络构建模型”(简称SocTrust)在预测用户信任关系时,只考虑用户间是否存在信任关系而忽略了信任传播影响以及在预测时将用户的所有历史信息同等看待的缺点。本文通过矩阵分解中基于贪婪的特征选择算法选择具有良好交互作用的特征,从而避免因子分解机在隐特征向量学习过程中引入新的噪音并达到提高预测精度的作用,克服了传统因子分解机在考虑特征交互作用时组合了一些无意义的交互特征的缺陷。本文最后利用实验验证了SocPro模型的合理性,并与SocTrust进行对比。信任预测实验表明,SocPro具有更好的信任预测能力;推荐生成实验表明,本文所提出的推荐生成模型在推荐精度上较传统因子分解机、矩阵分解等具有更好的表现。
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：源码导航 ，原文地址：https://m.bishedaima.com/lunwen/56332.html
