一種基于不經(jīng)意傳輸?shù)纳鐣?huì)化推薦方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及安全多方計(jì)算領(lǐng)域，特別是涉及一種基于不經(jīng)意傳輸?shù)纳鐣?huì)化推薦方 法。
【背景技術(shù)】
[0002] 基于鄰域的算法是推薦系統(tǒng)中最基本的算法，該算法不僅在學(xué)術(shù)界得到了深入研 宄，而且在業(yè)界也得到了廣泛應(yīng)用?；卩徲虻乃惴ǚ譃閮纱箢?一類是基于用戶的協(xié)同過 濾算法，另一類是基于物品的協(xié)同過濾算法。
[0003] 協(xié)同過濾方法主要根據(jù)用戶的歷史行為和興趣來預(yù)測(cè)用戶未來的行為，因此大量 的用戶歷史行為數(shù)據(jù)成為推薦系統(tǒng)的重要組成成分和先決條件。對(duì)于許多在初始階段的網(wǎng) 站而言，沒有大量用戶數(shù)據(jù)的積累，協(xié)同過濾方法不能夠很好的發(fā)揮出效果。
[0004] 基于鄰域的社會(huì)化推薦算法，通常默認(rèn)用戶的社交網(wǎng)絡(luò)拓?fù)鋱D來自完全安全可信 的提供商，RBS可以完全不受拘束的使用社交網(wǎng)絡(luò)拓?fù)鋽?shù)據(jù)進(jìn)行社會(huì)化推薦。但更多情況 下，RBS僅持有用戶歷史行為數(shù)據(jù)信息，社交網(wǎng)絡(luò)拓?fù)湫畔⑿枰ㄟ^第三方的API獲取（比如 Facebook's Open Graph, Twitter API, etc)。而在現(xiàn)實(shí)生活中，完全可信賴的第三方這 一假設(shè)通常是不成立的。由此可見，一個(gè)安全可靠的多方合作的社會(huì)化推薦方案十分必要。 [0005] Yao在文獻(xiàn)"How to generate and exchange secrets" 中首次提出 了安全兩方計(jì) 算的概念，并且設(shè)計(jì)出了第一個(gè)安全兩方比較協(xié)議-百萬富翁協(xié)議。該協(xié)議使得兩個(gè)參與方 能夠在不泄露個(gè)人輸入的情況下，比較出兩方所持有數(shù)據(jù)的大小關(guān)系。他同時(shí)在該文獻(xiàn)中 指出，任何安全兩方的計(jì)算協(xié)議，均可以通過電路門實(shí)現(xiàn)。到目前為止，基于Yao的Garbled Circuits原理，學(xué)者們已經(jīng)設(shè)計(jì)出包括:安全多方求和，安全多方求差，安全多方求積以及 安全多方比較等一系列基本操作模塊。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明主要解決的技術(shù)問題是提供一種基于不經(jīng)意傳輸?shù)纳鐣?huì)化推薦方法，通過 在不泄露任一參與方私有數(shù)據(jù)的前提下，不經(jīng)意傳輸、合作完成個(gè)性化的社會(huì)化推薦，基于 好友關(guān)系的推薦可以增加推薦的信任度，利用社交網(wǎng)絡(luò)可以有效解決傳統(tǒng)推薦方法的冷啟 動(dòng)問題，安全性高、適應(yīng)性強(qiáng)，在基于不經(jīng)意傳輸?shù)纳鐣?huì)化推薦方法的普及上有著廣泛的市 場(chǎng)前景。
[0007] 為解決上述技術(shù)問題，本發(fā)明采用的一個(gè)技術(shù)方案是： 提供一種基于不經(jīng)意傳輸?shù)纳鐣?huì)化推薦方法，其步驟包括:（1)將作為參與方的社交網(wǎng) 絡(luò)服務(wù)提供商端設(shè)置為SN、電子商務(wù)提供商端設(shè)置為RBS，用戶的社交網(wǎng)絡(luò)拓?fù)鋱D設(shè)置為 Social Graph，SN持有所有用戶之間的社交關(guān)系網(wǎng)絡(luò)拓?fù)鋱D，RBS持有用戶 歷史行為數(shù)據(jù)珥，|/是所有的用戶節(jié)點(diǎn)集合，」心是用戶好友關(guān)系的邊集 合，J是物品id集合，馬是用戶與物品之間的關(guān)系集合，％是邊盡的權(quán)重，設(shè)置推薦物品 個(gè)數(shù)為k; (2) 利用不經(jīng)意傳輸算法，SN和RBS合作計(jì)算出每個(gè)物品的預(yù)測(cè)得分； (2.1) SN持有所有用戶的社交關(guān)系數(shù)據(jù)GF，RBS持有用戶歷史行為數(shù)據(jù)Gp用戶歷史行 為數(shù)據(jù)即用戶歷史購買記錄;對(duì)于目標(biāo)用戶u，SN可以根據(jù)事先確定好的相似度計(jì)算方法計(jì) 算出sim(u，v)，其中，v是除用戶u之外的所有其他用戶，而除了用戶u以外，一共有m個(gè)用 戶；當(dāng)物品為i，SN端持有相似度向量SIM={sim(u，Ui )，sim(u，M2 )，…，sim(u，Wm )}，表示 用戶1?，M2，-直到用戶分別相對(duì)于用戶u的相似度，Μ?表示第 m個(gè)用戶;RBS持有物品i 的評(píng)分向量隅，i)，"_，w(WTO 4)}，表示用戶％，112，一直到用戶11"分別 對(duì)物品i的評(píng)分，Mm表示第m個(gè)用戶；對(duì)于目標(biāo)用戶u而言，物品i的推薦得分s(u，i)為對(duì)應(yīng) 位積之和;RBS將所有用戶的歷史行為數(shù)據(jù)記錄在記錄矩陣中，并將記錄矩陣的分布情況共 享給SN，同樣SN也需要將自己的數(shù)據(jù)分布情況共享給rbs，即兩方只計(jì)算sim(u,itj)羊0和 wOyi) # 0的項(xiàng)，并不是對(duì)所有的元素進(jìn)行0T乘法操作，其中，記錄矩陣的分布情況為〇 時(shí)，則用戶未曾購買過物品，記錄矩陣的分布情況為1時(shí)，則用戶購買過物品； (2.2) 利用不經(jīng)意傳輸協(xié)議安全包裝自己的數(shù)據(jù)： (2 · 2 · 1 )RBS隨機(jī)生成# = 1〇Β丨λ丨個(gè)環(huán)元素 s〇，…，Vi，a表示Social Graph中的某個(gè)用 戶u與另一個(gè)用戶之間的相似度值，b表示Hi story Records中物品I的一個(gè)用戶評(píng)分，a，b e R，根據(jù)~，? = 2? +?分別計(jì)算二元組（《，# )，其中，0 < i <p，i為自然數(shù)； (2.2.2) 5_艮據(jù)&的二進(jìn)制表示~_"*1^，利用不經(jīng)意傳輸協(xié)議從1^5中得到1^;3糾十 p P 算X = I ，RBS端計(jì)算yz-fsi，以此將自己的數(shù)據(jù)完成安全的封裝，得到關(guān)于相 1^:0 似度值得分X，以及關(guān)于評(píng)分記錄得分y; (3) 以加法和形式秘密共享數(shù)據(jù)，并完成物品的推薦得分計(jì)算:SN和RBS分別持有向量X ={% ,?，…，和Υ=ΙΤι ,3?，…，知}，其中，表示客戶％相對(duì)于目標(biāo)用 m 戶u對(duì)物品I；的評(píng)分，以此類推，計(jì)算出物品4的評(píng)分，其總和A = Σι + h，并且將所有 j==0 物品的評(píng)分總和以上述加法和的形式秘密共享； (4) 比較獲得推薦結(jié)果：以SN的向量X和RBS的向量Y為輸入，SN和RBS利用Garbled Circuits合作實(shí)現(xiàn)安全的比較，RBS得到針對(duì)當(dāng)前推薦用戶而言的前k個(gè)得分最高的推薦結(jié) 果，即得到了 k個(gè)對(duì)推薦用戶而言最佳的推薦結(jié)果。
[0008] 在本發(fā)明一個(gè)較佳實(shí)施例中，步驟(2)中的所述不經(jīng)意傳輸協(xié)議通過簡(jiǎn)化不經(jīng)意 傳輸協(xié)議系統(tǒng)計(jì)算矣0和w(m;, i)矣0的項(xiàng)。
[0009] 在本發(fā)明一個(gè)較佳實(shí)施例中，在步驟(4)比較獲得推薦結(jié)果的具體步驟包括:任意 挑選用戶a未曾訪問過的物品?作為初始值，R B S和S N合作執(zhí)行安全比較電路G a r b 1 e d Circuits，將馮與所有得分進(jìn)行比較;兩方根據(jù)大小比較結(jié)果，交換相應(yīng)位置的得分S，最 終使得所有比岑小的物品都排在馮后面，比馮大的物品都排在馮前面，每一輪比較結(jié)束后， 記錄物品?當(dāng)前位置i?iac ;如果當(dāng)前位置?β?βτ等于fc，則返回當(dāng)前位置前的物品相應(yīng)id (Wf?，1:-?，并將其推薦給用戶；如果當(dāng)前位置大于fc，則從開始位置到當(dāng)前位 置重復(fù)執(zhí)行以上步驟，直到當(dāng)前位置等于fc;如果當(dāng)前位置小于Jt，則從當(dāng)前位置到最 后位置重復(fù)執(zhí)行以上步驟，直到當(dāng)前位置等于。
[0010]本發(fā)明的有益效果是：本發(fā)明基于不經(jīng)意傳輸?shù)纳鐣?huì)化推薦方法具有安全性極 高、適應(yīng)性極強(qiáng)等優(yōu)點(diǎn)，在基于不經(jīng)意傳輸?shù)纳鐣?huì)化推薦方法的普及上有著廣泛的市場(chǎng)前 景。
【附圖說明】
[0011]為了更清楚地說明本發(fā)明實(shí)施例中的技術(shù)方案，下面將對(duì)實(shí)施例描述中所需要使 用的附圖作簡(jiǎn)單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于 本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其它 的附圖，其中： 圖1是本發(fā)明基于不經(jīng)意傳輸?shù)纳鐣?huì)化推薦方法一較佳實(shí)施例的第一階段的基于不經(jīng) 意傳輸協(xié)議加密機(jī)制計(jì)算物品推薦得分的結(jié)構(gòu)示意圖； 圖2是本發(fā)明基于不經(jīng)意傳輸?shù)纳鐣?huì)化推薦方法一較佳實(shí)施例的第二階段的基于不經(jīng) 意傳輸協(xié)議加密機(jī)制的加法和秘密共享方式的結(jié)構(gòu)示意圖； 圖3是本發(fā)明基于不經(jīng)意傳輸?shù)纳鐣?huì)化推薦方法一較佳實(shí)施例的第三階段的基于 Garbled Circuits的安全的top k選擇的結(jié)構(gòu)示意圖； 圖4是本發(fā)明基于不經(jīng)意傳輸?shù)纳鐣?huì)化推薦方法一較佳實(shí)施例的用戶歷史行為數(shù)據(jù)的 示意圖； 圖5是本發(fā)明基于不經(jīng)意傳輸?shù)纳鐣?huì)化推薦方法一較佳實(shí)施例的社交網(wǎng)絡(luò)拓?fù)鋱D。
【具體實(shí)施方式】
[0012] 下面將對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施 例僅是本發(fā)明的一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通 技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其它實(shí)施例，都屬于本發(fā)明保護(hù)的范 圍。
[0013] 請(qǐng)參閱圖1-5,本發(fā)明實(shí)施例包括： 一種基于不經(jīng)意傳輸?shù)纳鐣?huì)化推薦方法，包括:社交網(wǎng)絡(luò)服務(wù)提供商和電子商務(wù)提供 商作為參與方，其中所述社交網(wǎng)絡(luò)服務(wù)提供商記為SN、所述電子商務(wù)提供商記為RBS，SN端 持有所有用戶的社交網(wǎng)絡(luò)