一种基于群组推荐的用户隐私保护方法_彭飞

私泄露带来的风险越来越引起用户的担心，如何在提供高质量 个性化推荐服务的同时保护用户隐私，已成为推荐系统领域的 研究热点之一[3]。
1 相关工作
目前，推荐系统中的隐私保护方法主要分为两类：基于安 全多方计算的隐私保护方法和基于数据扰动的隐私保护方法。
--------------------------------
路径分别为： （0, 2, master） 、(1, master)、(2, 0, 2, master)、(3, 1, master)、(4, 4, master)，其中 master 表示管理节点。以节点 2 为 例，当其想要提交个人数据时，节点 2 向本地的 jondo 发送数 据，节点 2 的 jondo 收到数据后，进行一次有偏的抛硬币操作， 得到一个概率值 p ， jondo 将这个值与系统设定的转发概率门限 值 p f （为保证匿名性， p f 值比较大[16]）比较，如果 p p f ， 那么 jondo 就将数据发送至 master，在这个例子中， p p f ， 所以节点 2 的 jondo 从节点列表中随机选择节点 0 作为下一个 转发节点，并与之建立连接，然后将数据转发给节点 0，节点 0 的 jondo 收到数据后，进行相同的抛硬币操作，又将数据发送 回了节点 2， 节点 2 继续进行抛硬币操作， 得到概率值 p ' p f ， 于是节点 2 的 jondo 将数据提交至 master。
网络出版时间：2014-10-29 10:34 网络出版地址：/kcms/detail/51.1196.TP.20141029.1034.034.html 优先出版 计 算 机 应 用 研 究 第 32 卷
一种基于群组推荐的用户隐私保护方法
彭 飞 1, 2，曾学文 2，邓浩江 2，刘 磊2
2 算法描述
本节我们对本文提出的算法框架进行描述，对算法流程进 行详细介绍，具体算法步骤如图 1 所示：
步骤1: 形成群组并选举管理 节点，组内用户利用 Crowds网络匿名提 交数据至管理节点
步骤2： 以群组为单位，利用 基于群组-项目-标签 三部图的物质扩散推 荐方法进行推荐
步骤3: 返回推荐结果至各管 理节点，管理节点将 结果分发至组内用 户，用户对结果进行 修正
Privacy preserving recommendation method based on groups
PENG Fei1, 2, ZENG Xue-wen1, 2, DENG Hao-jiang1, 2, LIU Lei1, 2
(1. University of Chinese Academy of Sciences, Beijing 100190, China; 2. National Network New Media Engineering Research Center, Institute of Acoustics, Chinese Academy of Sciences, Beijing 100190, China) Abstract: To solve the privacy preserving problem of existing recommender systems based on collaborative filtering, this paper proposes a privacy preserving recommendation method based on groups. It exploits the anonymity property of group recommendation to achieve the protection of user identity and personal data. The detailed procedures are as follows. After the group formation by self-organization or clustering, each group elects a master node and builds a Crowds network. Group members submit the data needed by recommender server to the master node through the Crowds network. The master node collects the data and submits it to the recommender server. Recommender server takes the group as a unit, and uses the integrated diffusion methods on group-item-tag tripartite graph to make recommendation. The recommendation results are sent to each master and then distributed to group members. Each member revises the received results and generates the final recommendation list. Experiment result verifies that the proposed algorithm framework can protect users’ privacy while maintaining the quality of recommendation results. Key Words: recommender system; privacy preserving; group; anonymity; diffusion; tripartite graph 随着信息技术和社交媒体的发展，推荐系统的作用日益显 著，为了实现个性化的推荐，用户需要将个人信息提供给服务 提供商，而这些信息却有可能泄露给第三方。例如，服务提供 商向第三方公司提供用户信息来进行个性化广告投放[1]，服务 提供商提供的一些 API 也可能将用户的隐私泄露给公众[2]。隐 基于安全多方计算的隐私保护方法利用安全多方计算的方 式来完成推荐过程，从而避免个人信息被服务端获取。Canny[4] 采用奇异值分解（Singular Value Decomposition，SVD）技术[5] 进行推荐，把协同过滤任务转化为用户评分向量的反复相加， 数据保护可以采用同态加密技术完成； Miller 等人 [6] 提出了 PocketLens 系统， 通过安全多方计算的方式得到 item-item 模型， 从而实现基于条目的内容推荐。Polat 等人分别针对水平分布数 据[7]和垂直分布数据[8]的 Top-N 推荐问题， 提出了基于两方安全 计算的相似度计算方法。张峰等人[9]提出一种可交换加密系统， 并在半信任模型中证明了该方法的隐私保护能力。然而，上述 基于安全多方计算的隐私保护方法效率均不高，无法应用于大 规模用户。
优先出版
计 算 机 应 用 研 究
第 32 卷
基于数据扰动的隐私保护方法采用随机噪声的方式，向用 户数据添加随机扰动，然后将扰动过的数据发送给服务端，从 而防止用户隐私暴露。Berkvosky 等人[10]针对数据分布式存储 的场景，提出了改变用户兴趣分布的方法。Zhang 等人[11]利用 服务器端协助每个用户进行不同的随机扰动，避免所有用户采 用相同扰动方式可能导致的隐私泄露问题。张付志等人[12]提出 了扰动强度的概念和度量方法，并对基于随机扰动技术的推荐 方法进行了改进。基于扰动的方式是以牺牲准确率为代价来避 免隐私泄露，然而，通过聚类、SVD、主成分分析等恢复技术， 仍然可以复原用户真实数据[13]。因此，虽然数据扰动方法较为 简便，但存在保护能力不强的问题。
图 1 基于群组推荐的用户隐私保护算法流程
2.1 利用 Crowds 网络匿名提交数据 用户通过自组织或系统聚类形成群组后，选举管理节点并 在组内构建 Crowds 网络，组内成员将个人数据通过构建好的 Crowds 网络提交至管理节点。本文所述个人数据指用户使用过 的项目集合 I ui ， 不包含用户身份信息。 下面对如何利用 Crowds 网络实现用户数据的匿名提交进行描述： Crowds[16]是一个提供发送方匿名的匿名通信系统， 其主要 思想是“blending into a crowd”， 即构造一个由很多匿名用户组成 的群组，匿名通信发送方隐藏在众多的群组成员中。每个组员 均充当代理的角色，当某个成员需要建立匿名通信时，他将请 求发送给他的代理。当代理收到请求后，它可以选择将请求直 接提交给目的节点或将其转发至其他成员。从而使每个成员在 被保护的同时，也为其他成员提供保护。 具体而言，每个匿名保护的主机上运行一个被称为 jondo 的代理程序，该 jondo 从系统管理节点处获取系统成员的 jondo 列表，用户提交数据时，首先将数据发送给本地 jondo，本地 jondo 抛掷硬币来判断是将数据提交至管理节点还是转发到下 一个 Crowds 节点。如果直接提交，则与管理节点建立连接，如 果是转发到下一个节点，则本地 jondo 从列表中随机选取一个 Crowds 成员，与其建立连接，并将数据转发给它。接收到这个 数据后，该 Crowds 节点的 jondo 也进行相同的抛硬币操作，直 到请求最终提交至管理节点。 在图 2 所示的 Crowds 系统中， jondo 数为 5， 路径数为 5,。
*
(1．中国科学院大学，北京 100190；2．中国科学院声学研究所 国家网络新媒体工程技术研究中心，北京 100190) 摘 要：针对现有协同过滤推荐系统中存在的用户隐私泄露问题，提出一种基于群组推荐的用户隐私保护方法，利用群
组的天然匿名特性，实现用户身份和个人数 选举管理节点并构建 Crowds 网络，组内成员通过构建好的 Crowds 网络将推荐所需数据提交至管理节点，管理节点对 收集的数据汇总后提交至推荐服务器；推荐服务器以群组为单位，采用基于群组-项目-标签三部图的物质扩散方法进行 推荐，并将推荐结果返回至各管理节点，管理节点将结果分发至组内成员，各成员修正后生成最终推荐结果。实验结果 表明，所提算法框架能够在保护用户隐私的同时，保证推荐结果质量。 关键词：推荐系统；隐私保护；群组；匿名；物质扩散；三部图 中图分类号：TP393 文献标志码：A