-
公开(公告)号：CN112487473B
公开(公告)日：2024-06-07
申请号：CN202011252980.6
申请日：2020-11-11
Applicant: 东南大学
IPC: G06F21/62 , G06F16/9536
Abstract: 本发明公开了一种针对协同过滤中共谋推断攻击的差分隐私保护方法，包括如下步骤：根据用户相似性对用户进行分组，并根据分组结果为用户进行推荐，在此基础上，将强相似用户关联为整体用户，并为整体用户返回相同的推荐结果；在添加差分隐私噪声前进行敏感度计算，分析任意一个用户数据存在与否对于其他任意数据推荐结果的最大影响；对推荐功能性添加差分隐私噪声，并根据干扰的功能性为用户进行推荐。本发明关联可能进行共谋攻击的用户，并为之进行统一干扰，防止推断攻击，在此基础上降低差分隐私噪声大小，提升推荐准确性。
-
公开(公告)号：CN109543094B
公开(公告)日：2021-09-28
申请号：CN201811148279.2
申请日：2018-09-29
Applicant: 东南大学
IPC: G06F16/9535 , G06F21/62 , G06F17/16
Abstract: 本发明公开了一种基于矩阵分解的隐私保护内容推荐方法，包括如下步骤：(1)客户端安全模块为用户历史记录添加差分隐私噪声；(2)客户端安全模块将隐私的用户历史记录上传至服务器端；(3)服务器端通过矩阵分解的方式，将所有用户的隐私历史记录分解为“用户‑隐式特征”矩阵和“内容‑隐式特征”矩阵，并根据要接受推荐的用户的隐私记录构建用于产生推荐的“内容‑隐式特征”矩阵，并下发至客户端；(4)客户端根据用户的真实历史记录和接收的“内容‑隐式特征”矩阵，分析候选内容与用户真实记录中内容的相似度，并产生最终的推荐结果。本发明中用户历史记录隐私得以保护，内容推荐结果准确，用户端和服务器端的数据传输量较小。
-
公开(公告)号：CN112487473A
公开(公告)日：2021-03-12
申请号：CN202011252980.6
申请日：2020-11-11
Applicant: 东南大学
IPC: G06F21/62 , G06F16/9536
Abstract: 本发明公开了一种针对协同过滤中共谋推断攻击的差分隐私保护方法，包括如下步骤：根据用户相似性对用户进行分组，并根据分组结果为用户进行推荐，在此基础上，将强相似用户关联为整体用户，并为整体用户返回相同的推荐结果；在添加差分隐私噪声前进行敏感度计算，分析任意一个用户数据存在与否对于其他任意数据推荐结果的最大影响；对推荐功能性添加差分隐私噪声，并根据干扰的功能性为用户进行推荐。本发明关联可能进行共谋攻击的用户，并为之进行统一干扰，防止推断攻击，在此基础上降低差分隐私噪声大小，提升推荐准确性。
-
公开(公告)号：CN109543094A
公开(公告)日：2019-03-29
申请号：CN201811148279.2
申请日：2018-09-29
Applicant: 东南大学
IPC: G06F16/9535 , G06F21/62 , G06F17/16
Abstract: 本发明公开了一种基于矩阵分解的隐私保护内容推荐方法，包括如下步骤：(1)客户端安全模块为用户历史记录添加差分隐私噪声；(2)客户端安全模块将隐私的用户历史记录上传至服务器端；(3)服务器端通过矩阵分解的方式，将所有用户的隐私历史记录分解为“用户-隐式特征”矩阵和“内容-隐式特征”矩阵，并根据要接受推荐的用户的隐私记录构建用于产生推荐的“内容-隐式特征”矩阵，并下发至客户端；(4)客户端根据用户的真实历史记录和接收的“内容-隐式特征”矩阵，分析候选内容与用户真实记录中内容的相似度，并产生最终的推荐结果。本发明中用户历史记录隐私得以保护，内容推荐结果准确，用户端和服务器端的数据传输量较小。
-
-
-
Search Results
4
records
(took 0.014 seconds)
