文献类型：期刊文章

作　　者：鲜征征[1] 李启良[2] 黄晓宇[3] 吕威[4] 陆寄远[1]

XIAN Zheng-zheng;LI Qi-liang;HUANG Xiao-yu;LYU Wei;LU Ji-yuan(School of Internet Finance and Information Engineering,Guangdong University of Finance,Guangzhou 510521,China;Huawei Technologies Co., Ltd.,Shenzhen 518129,China;School of Economics and Commerce,South China University of Technology,Guangzhou 510006,China;School of Information Technology,Beijing Normal University at Zhuhai,Zhuhai 519085,China)

机构地区：[1]广东金融学院互联网金融与信息工程学院,广州510521 [2]华为技术有限公司,广东深圳518129 [3]华南理工大学经济与贸易学院,广州510006 [4]北京师范大学珠海分校信息技术学院,广东珠海519085

出　　处：《控制与决策》

基　　金：广东省自然科学基金项目(2014A030313662;2016A030310018;2016A030313385);广东省公益研究与能力建设项目(2015A030402003);广东省科技项目(2016ZC0039);广东省哲学社科项目(GD15CGL05);华南理工大学中央高校业务经费项目(2015QNXM20)

年　　份：2019

卷　　号：34

期　　号：1

起止页码：43-54

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、INSPEC、JST、MR、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：协同过滤技术在推荐系统的实现中具有广泛的应用,协同过滤以用户对商品项目的评价分数为依据,而这些评价有可能反映用户某些不欲为人知的喜好特点,因此,对具备隐私保护能力的协同过滤模型的研究引起了普遍的关注. SVD++是当前最为常用的协同过滤模型之一,差分隐私模型则是近十年来隐私保护理论最重要的研究进展之一,将两者相结合提出3种基于差分隐私和SVD++的协同过滤模型:基于梯度扰动的SVD++隐私保护模型、基于目标函数扰动的SVD++隐私保护模型和基于输出结果扰动的隐私保护模型.理论分析和实验结果显示,所提出的算法不仅能为用户的隐私安全提供可靠的保障,而且还可保持较高的预测准确度.

关 键 词：协同过滤 隐私保护  差分隐私  矩阵分解

分 类 号：TP181]