数据融合推荐中的隐私保护方法探讨

信息融合到推荐系统中提高推荐系统的效率。NeuO[68]是 2019 年 Xu 等发表在 Neural Networks 期刊上的一种融合评论文本的神经推荐模型。他们认为，在现实的推荐场景中，有两种常见的现象：1）用户向服务提供商进行反馈时只提供对物品的评分，没有详细的评论。因此，用于推荐系统的历史数据通常是不平衡的、稀疏的；2）有时，用户在对物品进行评分的同时也进行了评论。但是，在很多情况下，用户通过评论传达出的观点比评分更具有说服力，而且评分和评论之间甚至存在着相悖的情况。因此，该模型基于卷积神经网络来挖掘用户的真实情感倾向，进而补全用户-项目评分矩阵，从而实现推荐系统性能的提升，模型框架如图 4.1 所示。

第 5 章 总结与展望

5.1 总结

近年来，推荐系统中的多源数据融合、隐私泄露等问题成为了研究者的关注热点。本文关注数据融合推荐中的隐私保护方法，详细总结并分析了推荐系统中隐私保护的研究现状以及相关的研究工作，阐述了数据融合的推荐系统中存在的挑战，指出了现有的推荐系统隐私保护方法的不足，并针对这些不足，提出了自己的解决方法，并在现实中真实的数据集上进行实验，验证了本文提出的方法的有效性。本文主要研究工作包括如下几个方面：

（1）基于现有的推荐系统算法和隐私保护方法，分析了这些方法的缺陷，重点针对多源数据融合的场景下，详细分析了推荐系统的隐私泄露原因。

（2）针对融合知识图谱的新闻推荐系统中的隐私问题，基于差分隐私模型，设计了一种二阶段隐私保护机制，提出将拉普拉斯噪声添加到与用户历史敏感数据高度相关的用户特征向量中,并根据不同的敏感程度分配不同的隐私预算，有效地均衡拉普拉斯噪声和推荐效率。

（3）针对融合评论文本的推荐系统的不足和存在的隐私问题，对现有的推荐模型进行改进，并基于差分隐私模型，提出在梯度下降最下化损失函数获取优化参数的过程中，对梯度添加满足差分隐私的算法来保护隐私。

（4）分别基于以上工作对算法模型进行了设计，并分别在数据集上进行对比实验验证了推荐系统的精准度和隐私性。

参考文献（略）