隐私保护的共享协同过滤算法研究.docx

苏州大学本科生毕业设计（论文）本科毕业设计（论文）学院(部)计算机科学与技术学院题目隐私保护的共享协同过滤算法研究年级2014专业软件工程班级软件工程学号1427406023姓名齐浩天指导老师刘安职称副教授论文提交日期2018年5月19日目录摘要1Abstract2内容提要3研究背景及意义3国内外研究现状3本文主要工作5第一章绪论61.1推荐系统61.2推荐系统的分类61.2.1基于协同过滤的推荐系统61.3协同过滤推荐系统的弊端91.4本文主要工作91.5本文的组织结构9第二章基于局部敏感哈希的协同过滤算法112.1协同过滤推荐系统的计算效率112.2局部敏感哈希112.2.1核心思想112.2.2数学定义122.2.3实现方式122.3实验及分析152.4本章小结17第三章基于同态加密和局部敏感哈希的共享协同过滤算法193.1共享协同过滤算法193.2Paillier同态加密算法193.3算法流程203.4实验及分析243.5本章小结25第四章总结与展望26鸣谢27参考文献283隐私保护的共享协同过滤算法研究摘要随着互联网和普及和电子商务的发展，推荐系统逐渐成为该领域的一个重要的研究内容，受到越来越多的研究者的关注。如今几乎所有大型电子商务网站都不同程度的提供了各种形式的推荐系统。协同过滤(CollaborativeFiltering,CF)算法是个性化推荐系统中诞生较早，较为成功且应用非常广泛的技术之一。影响协同过滤算法推荐质量的主要因素之一是查找目标用户的近邻用户群准确度，算法随后基于这些用户对目标用户尚未评价的项目进行预测。协同过滤算法依赖用户历史行为数据。随着电子商务系统规模的扩大，用户数目与项目数目急剧上升，并且用户评分数据稀疏性极高，传统协同过滤算法无法保证推荐的实时性。更大的数据集有助于协同过滤算法得到更准确的推荐结果，并能在一定程度上解决基于协同过滤的推荐系统对于新个体存在的“冷启动”问题。但这些数据通常分别属于不同平台，出于数据价值和用户隐私的考虑，这些平台不愿意将数据提供给其他方。为在保证各方数据安全性的前提下结合多方数据，允许各方共同参与计算推荐结果以提升实时推荐结果的准确性，必须首先解决在尽可能渐少性能降低的情况下保护各方数据隐私的问题。针对此类问题，本文提出利用局部敏感哈希(LocalSensitiveHashing,LSH)改进协同过滤推荐算法，将评分数据降维并存储在哈希表中，降低近邻用户群计算成本并起到一定用户隐私保护的作用。对于多方参与的推荐系统，提出基于同态加密(HomomorphicEncryption,HE)的协同过滤实现方案，保护各平台数据隐私的同时，为用户提供更加精准的推荐服务。关键词推荐算法，局部敏感哈希，隐私保护，同态加密AbstractWiththedevelopmentoftheInternetande-commerce,therecommendationsystemhasgraduallybecomeanimportantresearchcontentandhasreceivedmoreandmoreattentionfromresearchers.Almostallmajore-commercewebsitesnowoffervarietyformsofrecommendationsystems.CollaborativeFiltering(CF)algorithmisoneoftheearlier,mostsuccessfulandwidelyusedtechnologiesinpersonalizedrecommendationsystems.Oneofthemainfactorsaffectingtherecommendationqualityofthecollaborativefilteringalgorithmisthetargetuser'sKnearestneighboruseraccuracy,andthealgorithmthenmakespredictionsbasedontheseusers'itemsthathavenotyetbeenevaluatedbythetargetuser.Collaborativefilteringalgorithmsrelyonhistoricaluserbehaviordata.Withtheexpansionofthescaleofe-commercesystems,thenumberofusersandthenumberofprojectshaverisensharply,anduserscoringdatahassparseness.Traditionalcollaborativefilteringalgo