□路应金 杜素娟

[电子科技大学 成都 611731]

基于奇异值分解模型的在线实时推荐的隐私保护

□路应金 杜素娟

[电子科技大学 成都 611731]

利用缩减的奇异值分解更新算法和随机技术提出了一个基于奇异值分解模型的在线推荐的隐私保护方法，将新数据混合到原始数据中保护消费者在线购物的隐私数据。实验结果表明，我们提供的模型可以保证数据高效性和更低概率的隐私泄露，并且预测的精度仍然很高，对于实现消费者网上隐私保护有重要的指导意义。

奇异值分解；隐私保护；实时推荐；协同过滤

引言

伴随着电子商务的快速发展，个性化推荐系统成为电子商务企业在线推销商品的有力工具。亚马逊、京东通过向消费者推荐感兴趣的产品提升在线商品销售的选择。推荐系统是通过构建消费者的购物模式利用相关算法来预测消费者的购物偏好的系统。从上世纪90年代中期就有很多关于推荐系统的论文发表[1]，学者们将其算法和模型应用于现实生活中，大多数的推荐系统源于协同过滤算法[2～3]。协调过滤算法是推荐算法中应用得最为广泛和成功的一种算法[4～5]。协同过滤技术也是个性化推荐中应用最成功的技术[6～7]。协同过滤技术可以分为两大分支：邻近算法和潜在因子模型[8]。奇异值分解算法是基于潜在因子模型的一种算法[9]。

隐私保护的协同过滤推荐研究致力于在确保高质、高效地产生推荐的同时有效地保护参与方的隐私[10]。……