杨达森

（广东工业大学 计算机学院，广东 广州510006）

随着移动设备的发展，最新一代的移动设备允许用户连接到地理社交网络服务中，让用户分享他们在访问特定地点时的亲身体验。用户分享的位置隐私数据常常被用于分析、统计和挖掘。这些有价值的隐私数据受到互联网等领域研究者的关注，特别是在位置推荐领域。然而，当前面临的挑战是如何保护用户的位置数据的同时保证位置推荐的准确度。直接向不可信推荐系统发布用户历史访问位置会导致严重的位置隐私泄露问题。

用户签到的历史位置可以揭示个人出行或生活方式等敏感细节。目前，位置推荐算法有协同过滤技术[1]、序列技术[2]等。协同过滤技术也可与其他信息相结合[3]，例如用户与社交朋友地理坐标之间的联系。由于社交朋友更容易分享共同的兴趣，因此社交链接信息被广泛用于测量用户之间的相似性，结合协同过滤技术可以提高位置推荐的精度。目前研究工作从用户的签到位置序列中提取序列模式，利用全局或个人马尔可夫模型分别挖掘用户运动的全局行为和个体模式信息，并根据过去的位置序列预测用户可能感兴趣的位置。而n-阶马尔可夫模型[4]通过统计用户访问每个地点的频次，然后计算每个位置被访问的概率作为转移概率矩阵，并在转移概率矩阵上使用马尔可夫链生成位置推荐结果。虽然马尔可夫模型在位置推荐中应用很广泛，但在计算地点访问频次以及求概率时都有可能泄露用户的隐私，如果直接发布马尔可夫模型容易泄露敏感信息。……