华雯丽，黄 刚，唐 震

(南京邮电大学 计算机学院、软件学院、网络空间安全学院，江苏 南京 210023)

0 引 言

近些年，由于移动互联网的兴起，数以亿计的人已经深度接入了互联网。2020年第1季度，全球各大网络社交应用平台用户数量进一步膨胀：推特3.7亿，微信12亿，抖音5.18亿，Facebook 20亿。庞大的社交网络数据，一方面，可以为人们提供越来越符合心意的推荐，Georg Groh和Christian Ehmig的研究[1]表明，在几个真实的推荐系统中，基于社会化推荐系统的用户满意度，明显高于基于协同过滤算法的系统，其最关键的部分是基于好友的选择进行推荐。但是另一方面，个人信息的选择暴露在网络中。用户的个人隐私得不到保障，既会损失用户的利益，也会因此反过来丢失注意隐私的用户。对此，需要设计一些机制，尽量保证数据的隐私性。

针对保护隐私的方法，一般有两种，一种是对匿名方法[2]，但是网络图的特殊性，使得匿名数据遇到节点度数或者结构的攻击，更容易被识别出来，比如，在并不想披露朋友之间的关系的情况下，识别出该独特关系的图数据。另一种算法─差分隐私保护(differential privacy)[3-6]，是由Dwork等提出的新型隐私保护模型，从定义上保证隐私，且与大量的背景知识无关，这种隐私保护算法不仅仅从理论上可以保护隐私，也被用在现实工业应用中[7-10]。

文中的主要工作就是在保证推荐的同时，进行差分隐私操作，保护用户以及好友的个人隐私，主要分为以下几步：

(1)处理用户和物品的二分图，转化成转移矩阵作为数据的输入；……