论文部分内容阅读
单类协同过滤算法是利用用户的隐形反馈,如是否点击、购买、浏览某一物品,对用户喜好进行预测的推荐算法。针对此类算法中模型和用户评价泄露问题,提出一种新的隐私保护单类协同过滤算法。采用分布式架构,其矩阵分解过程由服务器和各个用户共同参与完成。每轮迭代过程中,服务器仅从客户端得到物品隐藏因子向量梯度更新信息,实现对推荐模型的保护。基于多方安全求和的原理,在梯度更新过程中加入了混淆机制,实现对用户历史评价的保护。实验结果表明,与现有方法相比,该方法在保护用户隐私的同时能够提供更高的推荐准确度。