王 永，冉 珣，尹恩民，王 利

(1.重庆邮电大学电子商务与现代物流重点实验室 重庆南岸区400065；2.桂林电子科技大学广西密码学与信息安全重点实验室 桂林 541004)

推荐系统是当前互联网商家为用户提供个性化信息服务的主要技术手段之一。协同过滤作为一类主流的推荐算法，它利用用户对项目的历史评价信息来预测用户对未知项目的好恶并据此进行推荐。协同过滤技术需要使用大量用户数据，存在用户个人隐私泄漏的风险[1]。在基于邻居的协同过滤技术中，攻击者可以通过追踪邻居用户的推荐列表变化，推测目标用户对项目的评分[2]；在基于矩阵分解的协同过滤技术中，由于分解所得的隐因子矩阵携带数据信息，可能被攻击者利用，通过重构攻击等方式推断出用户的评分数据[3-4]。遭泄露的评分可能被进一步用于推测出用户的性别、年龄等信息，侵犯用户隐私[5]。如果用户出于安全考虑拒绝提供部分信息，则可能会导致推荐系统性能下降，甚至无法提供个性化服务。因此，非常有必要在推荐系统中考虑对用户信息进行隐私保护。

文献[6]提出了差分隐私的定义，为在推荐系统中实施有效隐私保护提供了良好的理论基础。文献[7]将差分隐私保护引入协同过滤技术中，通过扰动项目协方差矩阵实现差分隐私保护。文献[8]将差分隐私应用到基于邻居的协同过滤推荐算法中，通过在邻居选择和相似性度量过程中加入噪音，实现隐私保护。……