:RBS將用戶歷史行為記錄矩陣的數(shù)據(jù)分布情況(為0,用戶未曾夠買過(guò)物 品;為1,用戶購(gòu)買過(guò)物品)共享給SN,同樣SN也需要將自己數(shù)據(jù)分布情況共享給RBS,兩端僅 需計(jì)算sim(u,uj)關(guān)0和w(Uj,i)關(guān)0的項(xiàng)。
[0028] 步驟三:針對(duì)sim(u,u i)判和w(uj,i)判的項(xiàng),我們采用0T乘法來(lái)計(jì)算物品的最終 得分,RBS端隨機(jī)生成= (w(ui,l)=7ER )個(gè)環(huán)元素^,…彳",并根據(jù)琴=(%, tf =2f**7+Sf分別計(jì)算二元組(鎿,彳)(〇 < i〈p)。接下來(lái),SN端根據(jù)a(其中a=sim(U4,ui)=15) 的二進(jìn)制表示利用0T從RBS端中得到蠓。最后,SN端計(jì)算,RBS端計(jì)算 Ο y = -Ssi,例如,其中x + y=7*15=105,是用戶m相似于U4對(duì)物品ii的評(píng)分。 Μ)
[0029] 步驟四:重復(fù)步驟三,RBS和SN端用0Τ乘法的方式計(jì)算各自的數(shù)據(jù)得出向量X和Υ。
[0030] (2) SN和RBS利用0Τ乘法加密機(jī)制的性質(zhì)實(shí)現(xiàn)加法秘密共享。具體實(shí)施步驟如下: 從上述中可知RBS端加密計(jì)算每個(gè)人對(duì)物品i 1的得分總和= y% + \ + ?_?^,SN 端計(jì)算對(duì)于U4的相似度\ = \ ,而Yi+Xi=Si,為物品il的最終得分,通過(guò)這種 方式可以得到ii到i8的不同得分,而SN與RBS分別持有向量X和Y以這種加法和的形式共享物 品最終得分。
[0031] (3) RBS和SN利用Garbled Circuits合作執(zhí)行安全的比較過(guò)程,最終RBS得到對(duì) %而言的it個(gè)推薦結(jié)果,具體實(shí)施步驟如下: 步驟一:從集合》" = 0^民7力中隨機(jī)挑選一個(gè)物品/ = 5,RBS和SN合作執(zhí)行安全比較 電路Garbled Circuitsjf;與所有得分進(jìn)行比較,兩方根據(jù)得到的大小比較結(jié)果交換相 應(yīng)位置的得分S,最終保證所有比筆小的物品都排在足后面,比馮大的物品都排在馮前 面。并記錄物品?得分當(dāng)前位置; 步驟二:如果當(dāng)前位置等于*:,則返回當(dāng)前位置前的物品(0,1,...泳-1),并將其 推薦給用戶; 步驟三:如果當(dāng)前位置大于it,則從開(kāi)始位置到當(dāng)前位置重復(fù)執(zhí)行步驟二,直到 當(dāng)前位置等于k; 步驟四:如果當(dāng)前位置infer小于it,則從當(dāng)前位置到最后位置重復(fù)執(zhí)行步驟二,直到 當(dāng)前位置等于k。
[0032] 本發(fā)明基于不經(jīng)意傳輸?shù)纳鐣?huì)化推薦方法的有益效果是: 一、 通過(guò)使得推薦系統(tǒng)在互相缺乏信任的獨(dú)立方合作展開(kāi),為本技術(shù)領(lǐng)域的進(jìn)步拓展 了空間,具有使用價(jià)值,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,通信和計(jì)算復(fù)雜度都進(jìn)一步降低,使其實(shí)用性大大增強(qiáng); 二、 通過(guò)基于好友關(guān)系的推薦,有效地增加推薦的信任度; 三、通過(guò)利用社交網(wǎng)絡(luò),有效地解決了傳統(tǒng)推薦方法的冷啟動(dòng)問(wèn)題,安全性高、適應(yīng)性 強(qiáng)。
[0033] 以上所述僅為本發(fā)明的實(shí)施例,并非因此限制本發(fā)明的專利范圍,凡是利用本發(fā) 明說(shuō)明書(shū)內(nèi)容所作的等效結(jié)構(gòu)或等效流程變換,或直接或間接運(yùn)用在其它相 關(guān)的技術(shù)領(lǐng)域,均同理包括在本發(fā)明的專利保護(hù)范圍內(nèi)。
【主權(quán)項(xiàng)】
1. 一種基于不經(jīng)意傳輸?shù)纳鐣?huì)化推薦方法,其特征在于,步驟包括: (1) 將作為參與方的社交網(wǎng)絡(luò)服務(wù)提供商一端設(shè)置為SN、電子商務(wù)提供商一端設(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 撲圖= ,RBS持有用戶歷史行為數(shù)據(jù)^ = 為爲(wèi)),1/是所有的用戶節(jié)點(diǎn)集 合,4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,:^ 是邊馬的權(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)6〗,用戶歷史行為 數(shù)據(jù)即用戶歷史購(gòu)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,U2),…,sim(u,u m)},其表示用戶 ui、U2-直到用戶um分別相對(duì)于用戶u的相似度,um表示第m個(gè)用戶;RBS持有物品i的評(píng)分向 量Wi={w(ui,i),w(U2, i),…,w(um,i)},其表示用戶ui、U2-直到用戶um分別對(duì)物品i的評(píng)分, Um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simCiviij)矣0和\ν('??μ)矣0 的項(xiàng),并不是對(duì)所有的元素進(jìn)行0Τ乘法操作,其中,記錄矩陣的分布情況為0時(shí),則用戶未曾 購(gòu)買過(guò)物品,記錄矩陣的分布情況為1時(shí),則用戶購(gòu)買過(guò)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p = l〇g|R丨個(gè)環(huán)元素… Sp-i,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,bER,根據(jù)蓴分別計(jì)算二元組(彳4),其中,0<i〈P,i為自然數(shù); (2.2.2) SN根據(jù)a的二進(jìn)制表示…利用不經(jīng)意傳輸協(xié)議從RBS中得到; SN計(jì)算,RBS端計(jì)算,以此將自己的數(shù)據(jù)完成安全的封裝,得到關(guān)于相似 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 =(λν x2,…,和Y=Cm…,其中,示客戶4 相對(duì)于目標(biāo)用戶U對(duì)物品1/的評(píng)分,以此類推,計(jì)算出物品1/的評(píng)分,其總和,并且將所有物品的評(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。2. 根據(jù)權(quán)利要求1所述的基于不經(jīng)意傳輸?shù)纳鐣?huì)化推薦方法,其特征在于,步驟(2)中 的所述不經(jīng)意傳輸協(xié)議通過(guò)簡(jiǎn)化不經(jīng)意傳輸協(xié)議系統(tǒng)的計(jì)算量,僅計(jì)算sim(u,uj)矣0和w (Uj,i)關(guān)0的項(xiàng)。3.根據(jù)權(quán)利要求1所述的基于不經(jīng)意傳輸?shù)纳鐣?huì)化推薦方法,其特征在于,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《末曾訪問(wèn)過(guò)的物品?作為初始值,RBS 和SN合作執(zhí)行安全比較電路Garbled Circuits,將爲(wèi)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,最終使得所有比馮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)前位置如果當(dāng)前位置等于 i,則返回當(dāng)前位置前的物品相應(yīng)id(0,l,. . .,k-l),并將其推薦給用戶;如果當(dāng)前位置 大于i,則從開(kāi)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I:。
【專利摘要】本發(fā)明公開(kāi)了一種基于不經(jīng)意傳輸?shù)纳鐣?huì)化推薦,包括如下步驟:(1)所述SN端和RBS端將用戶歷史行為記錄矩陣的數(shù)據(jù)分布情況共享給對(duì)方,兩端僅計(jì)算???????????????????????????????????????????????和的項(xiàng)(兩方共享的僅為數(shù)據(jù)的分布情況,并未涉及兩方的數(shù)據(jù)值信息);(2)利用OT乘法協(xié)議各自完成物品的推薦得分計(jì)算,并且RBS和SN僅憑所擁有的計(jì)算得分并不能推測(cè)出對(duì)方的數(shù)據(jù)。(3)物品的推薦得分由RBS和SN以加法和形式秘密共享;(4)比較獲得推薦結(jié)果。通過(guò)上述方式,本發(fā)明基于不經(jīng)意傳輸?shù)纳鐣?huì)化推薦方法具有計(jì)算代價(jià)極小、適應(yīng)性極強(qiáng)、效率極高等優(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。
【IPC分類】G06F17/30
【公開(kāi)號(hào)】CN105677701
【申請(qǐng)?zhí)枴緾N201510981807
【發(fā)明人】劉安, 劉曙曙, 李直旭, 劉冠峰
【申請(qǐng)人】蘇州大學(xué)
【公開(kāi)日】2016年6月15日
【申請(qǐng)日】2015年12月24日