融合微聚集隐私保护的协同过滤算法研究

鲜英+于炯+杨兴耀+薛朋强

摘 要： 现有的k?匿名隐私保护是一种安全有效的隐私保护算法，针对其对背景知识攻击和同质性攻击防范的不足，提出一种基于敏感属性多样性的微聚集隐私保护的协同过滤算法。算法在满足k?匿名的前提下，融入敏感属性的多样性，在微聚集算法中通过设置同一等价类中敏感属性的差异值，来避免敏感属性值过于接近而造成隐私泄露，从而达到保护隐私数据的目的，同时保证推荐的准确性。实验结果表明，该算法既能保证为用户提供高效的个性化推荐，又能够产生安全的信息表。

关键词： 推荐系统； 微聚集； 协同过滤； k?匿名化； 隐私泄露； 隐私保护

中图分类号： TN919.1?34； TP391 文献标识码： A 文章编号： 1004?373X（2018）06?0005?06

Abstract： As a safe and effective privacy protection algorithm， the existing k?anonymous privacy protection still has some insufficiency caused by background knowledge attack and homogeneity attack. Therefore， a sensitive attribute diversity based microaggregation collaborative filtering algorithm for privacy protection is proposed. On the premise of meeting the k?anonymity requirement， the sensitive attribute diversity is fused into the algorithm. The difference values of sensitive attributes in the same equivalence class are set in the microaggregation algorithm to avoid too close sensitive attribute values which can cause privacy disclosure， so as to achieve the purpose of protecting the privacy data and ensure the accuracy of recommendation. The experimental results show that the algorithm can not only guarantee to provide users with efficient personalized recommendation， but also generate safe information tables.

Keywords： recommendation system； microaggregation； collaborative filtering； k?anonymity； privacy disclosure； privacy protection

0 引 言

随着电子商务的发展，用户很难从网站上提供的海量物品（产品）或者服务中做出最佳的选择。在这些需求的推动下推荐系统应运而生，推荐系统也可以认为是信息过滤系统的一个子集。如今，推荐系统在商业网站中占有重要的位置，比如在在国内有豆瓣、天猫商城、京东商城和当当网等。在这些系统中为了计算商品和个人兴趣之间的匹配程度，服务商需要收集大量的用户信息用于提供服务，比如：评分记录，交易历史记录，签到位置信息等。数据的各处使用导致了推荐系统具有双面性：一方面，获取用户越多的信息就可获得更准确且更合适的推荐；另一方面，收集大量的用户信息数据对用户信息滥用后可能会暴露用户的个人隐私，产生一些隐私安全方面的问题。……