蘇暢　李佳慶　謝顯中

關(guān)鍵詞：個性化；跨域；推薦系統(tǒng)；用戶隱私保護(hù)

一、引言

隨著社會信息產(chǎn)業(yè)的發(fā)展，電影、音樂、網(wǎng)購等行業(yè)的交易量不斷增長。相比之下，個人很難體驗(yàn)到一個又一個龐大的產(chǎn)品和服務(wù)。為了實(shí)現(xiàn)產(chǎn)品的精準(zhǔn)銷售，提高個人服務(wù)質(zhì)量，需要有一個好的算法來給出個人推薦。推薦方法的準(zhǔn)確性不僅決定了個人的生活體驗(yàn)，也決定了商業(yè)效益。但同時，在個性化的推薦中，重點(diǎn)做好用戶隱私的保護(hù)工作，就成為個性化推薦系統(tǒng)研發(fā)和升級中必須考量的問題。結(jié)合既有的推薦系統(tǒng)用戶隱私保護(hù)現(xiàn)狀來看，仍舊存在一些漏洞，導(dǎo)致用戶隱私安全受到威脅，亟待做出改進(jìn)。鑒于此，本文的研究內(nèi)容具有一定現(xiàn)實(shí)意義。

二、個性化跨域推薦系統(tǒng)中用戶隱私保護(hù)工作開展的意義

個性化跨域推薦系統(tǒng)的研發(fā)，可以很好地緩解普適性推薦系統(tǒng)中存在的冷啟動以及數(shù)據(jù)稀疏問題，同時個性化跨域推薦系統(tǒng)的構(gòu)建，可以更好地完成用戶特征提取，對于用戶隱私數(shù)據(jù)安全保護(hù)也可發(fā)揮作用[1]。其中，特征提取關(guān)系到個性化跨域推薦系統(tǒng)的推薦準(zhǔn)確性，數(shù)據(jù)安全更是關(guān)系到用戶的隱私以及用戶的信任度。本文采用異構(gòu)信息網(wǎng)絡(luò)通過多類型的節(jié)點(diǎn)和邊的關(guān)系來進(jìn)行特征提取，采用聯(lián)邦學(xué)習(xí)來保護(hù)用戶隱私，聯(lián)邦學(xué)習(xí)并不要求用戶上傳數(shù)據(jù)，只需在本地訓(xùn)練，可以有效地保護(hù)用戶的隱私。

隨著推進(jìn)系統(tǒng)的發(fā)展，推薦影響準(zhǔn)確度的因素越來越多，因?yàn)橛脩粜枨笫怯捎脩襞d趣偏好與實(shí)時需求共同決定的，本文在此基礎(chǔ)上重點(diǎn)研究了實(shí)時性的因素，實(shí)時性可以代表用戶當(dāng)前的狀態(tài)，在考慮用戶偏好的同時加入實(shí)時性的因素，能夠進(jìn)一步優(yōu)化個性化推薦系統(tǒng)的推薦準(zhǔn)確度以及用戶隱私保護(hù)質(zhì)量。

三、個性化跨域推薦系統(tǒng)中的用戶隱私保護(hù)國內(nèi)外研究現(xiàn)狀

（一）個性化跨域推薦系統(tǒng)研究現(xiàn)狀

在當(dāng)前的網(wǎng)絡(luò)生態(tài)系統(tǒng)中，一些網(wǎng)站在功能和提供信息方面具有一定程度的同質(zhì)性是很常見的。從構(gòu)建推薦服務(wù)的角度來看，這意味著這兩個同質(zhì)域的模型正在處理許多相同的項(xiàng)[2]。這為通過豐富數(shù)據(jù)提高推薦質(zhì)量提供了機(jī)會。例如，如果域?qū)ο鬀]有關(guān)于某些項(xiàng)（即稀疏項(xiàng)或冷啟動項(xiàng)）的足夠數(shù)據(jù)，而其他域?qū)ο笥校闷渌虻妮o助數(shù)據(jù)來提高目標(biāo)域的推薦質(zhì)量的任務(wù)稱為個性化跨域推薦。

1. 個性化跨域推薦通過知識遷移可以有效地緩解推薦系統(tǒng)的數(shù)據(jù)稀疏問題和冷啟動問題

有學(xué)者提出了一個稱為信任感知跨域深層神經(jīng)矩陣分解（TCrossDNMF）的模型，該模型預(yù)測活動用戶的項(xiàng)目評級，并解決了電子商務(wù)系統(tǒng)中“用戶重疊”跨域場景中的用戶冷啟動問題。TCrossDNMF 模型分為四個主要步驟：①特征學(xué)習(xí)，即使用潛在因素模型學(xué)習(xí)用戶的特征，然后發(fā)現(xiàn)源域和目標(biāo)域用戶之間的相似性。當(dāng)用戶在兩個域之間共享時，該模型學(xué)習(xí)公共信息并將知識從源域轉(zhuǎn)移到目標(biāo)域。②排序，找到一組相似的用戶（鄰居），然后根據(jù)相似度閾值θ 過濾出不同的用戶，然后從這些減少的用戶集生成二分信任圖，并執(zhí)行蟻群優(yōu)化，為活動用戶找到可信的鄰居。③加權(quán)計(jì)算活動用戶與其前k 個鄰居之間的信任度。④使用多層感知器（MLP）和廣義矩陣分解（GMF）通過在更高維度上表示用戶項(xiàng)交互來訓(xùn)練TCrossDNMF 模型的預(yù)測，并將GMF 和MLP 與用于評級預(yù)測的信任信息集成在一起。通過在兩個域的用戶之間轉(zhuǎn)移知識和合并信任，解決了用戶冷啟動問題。有學(xué)者提出了一個DAAN 框架，該框架考慮了跨領(lǐng)域的領(lǐng)域共享和領(lǐng)域特定知識。通過注意網(wǎng)絡(luò)將基于矩陣分解的協(xié)同過濾與深度對抗域自適應(yīng)緊密耦合。在該框架中，首先從源和目標(biāo)用戶項(xiàng)交互矩陣中學(xué)習(xí)每個用戶和每個項(xiàng)特定域的表示。然后，框架捕獲了兩個域之間的域共享特性，并將公共用戶（或項(xiàng)目）嵌入到域?qū)狗妒街?。利用相對密集的源用戶?xiàng)交互矩陣中的知識遷移，重構(gòu)了稀疏的目標(biāo)用戶項(xiàng)交互矩陣，緩解了數(shù)據(jù)稀疏性問題。

2. 個性化跨域推薦系統(tǒng)的遷移學(xué)習(xí)可以更準(zhǔn)確地識別用戶的特征，提高推薦系統(tǒng)的性能

有學(xué)者提出了一個新的基于跨域個性的推薦系統(tǒng)框架，兩個主要方法為跨域人格分類方法和人格增強(qiáng)概率矩陣分解（P2MF）。它通過預(yù)測文本嵌入（PTE），將人格分類模型在一個共享的潛在特征空間上進(jìn)行訓(xùn)練，該空間由來自源域的有監(jiān)督數(shù)據(jù)和來自目標(biāo)域的無監(jiān)督數(shù)據(jù)解釋。將個性標(biāo)簽作為先驗(yàn)信息集成到經(jīng)典推薦方法概率矩陣分解（PMF）中。真實(shí)數(shù)據(jù)集上證實(shí)了該方法在各種目標(biāo)域上的優(yōu)越性。有學(xué)者通過結(jié)合不同域用戶評論中隱含的情感信息，提出一種基于情感分析和潛在特征映射的跨域推薦算法（CDR-SAFM）。通過對用戶評論信息進(jìn)行情感分析，基于三項(xiàng)決策思想將情感分為三類，即積極、消極和中性。通過潛在狄利克雷分配（LDA）用于對用戶的語義方向進(jìn)行建模以生成潛在情感評論特征。并在此基礎(chǔ)上使用多層感知器（MLP）獲得跨域非線性映射函數(shù)來傳遞用戶的情感評論特征，通過實(shí)驗(yàn)證明了框架的有效性。

（二）隱私保護(hù)推薦算法研究現(xiàn)狀

隨著推薦系統(tǒng)的發(fā)展，一些問題也暴露了出來，其中用戶最關(guān)心的就是隱私保護(hù)問題，也是推薦系統(tǒng)發(fā)展的一個重要因素。有學(xué)者提出了一種基于可逆數(shù)據(jù)變換（RDT）算法的隱私保護(hù)數(shù)據(jù)采集協(xié)議。該協(xié)議允許針對超出范圍的處理實(shí)現(xiàn)隱私保護(hù)，不需要私有通道或依賴第三方身份驗(yàn)證。協(xié)議不僅可以保障內(nèi)部和外部身份泄露的安全，還可以為超出處理范圍的隱私提供保護(hù)。有學(xué)者提出了一種基于多探測局部敏感哈希（LSH）的隱私保護(hù)興趣點(diǎn)推薦算法。通過改進(jìn)的LSH 選擇相似的用戶集，可以大大減少計(jì)算量，滿足用戶快速響應(yīng)的需求。通過引入多重探索來緩解內(nèi)存中多個哈希表的壓力，并快速獲取目標(biāo)用戶的最近鄰集合，從而對LSH 進(jìn)行了改進(jìn)。在計(jì)算過程中采用了改進(jìn)的LSH 和派利爾同態(tài)加密技術(shù)來保護(hù)數(shù)據(jù)隱私。有學(xué)者提出了嶺回歸，嶺回歸是一種統(tǒng)計(jì)方法，用于模擬獨(dú)立變量和一些解釋值之間的線性關(guān)系。在該協(xié)議中，每個用戶以加密的形式將其數(shù)據(jù)提交給評估者，評估者計(jì)算所有用戶數(shù)據(jù)的線性模型，而無需了解他們的內(nèi)容[3]。核心加密方法配有同態(tài)屬性，使評估者能夠?qū)用軘?shù)據(jù)執(zhí)行嶺回歸。研究中發(fā)現(xiàn)協(xié)議適用于處理分布在數(shù)百萬用戶中的高危數(shù)據(jù)。有學(xué)者提出了一種基于局部差分隱私保護(hù)方案的動態(tài)隱私預(yù)算分配方法。有學(xué)者提出了一種改進(jìn)的基于用戶的協(xié)同過濾算法，該算法在計(jì)算用戶相似度時采用了基于矩陣的相似度計(jì)算方法。在推薦過程中保護(hù)用戶的隱私，同時保證推薦性能不會受到太大的損失。

本文提出的方案首先對本地敏感數(shù)據(jù)動態(tài)添加噪聲，以保證用戶的隱私，然后將添加噪聲的數(shù)據(jù)發(fā)送到服務(wù)器進(jìn)行相似度計(jì)算，最后通過基于用戶的協(xié)同過濾算法給出推薦。有學(xué)者提出了一種基于差分隱私保護(hù)和時間因子的高效隱私保護(hù)協(xié)同過濾算法。這種方法可以有效地降低泄露私人數(shù)據(jù)的風(fēng)險(xiǎn)，同時獲得所需的隱私保護(hù)服務(wù)。有學(xué)者提出了一種基于位置敏感度的位置推薦隱私保護(hù)方法。該方法使用位置軌跡和值機(jī)頻率來設(shè)置閾值，從而對位置敏感度級別進(jìn)行分類。然后根據(jù)靈敏度分配相應(yīng)的隱私預(yù)算，以添加滿足差異隱私的拉普拉斯噪聲。

四、個性化跨域推薦系統(tǒng)中的用戶隱私保護(hù)研究中存在的問題

（一）用戶數(shù)據(jù)安全性和特征提取問題

推薦系統(tǒng)是基于用戶所提供的一些隱私數(shù)據(jù)進(jìn)行推薦的，而這些數(shù)據(jù)包含一定的敏感性信息。個性化跨域推薦系統(tǒng)更是如此，至少結(jié)合兩個領(lǐng)域的數(shù)據(jù)，如果將所有的數(shù)據(jù)都上傳到一個服務(wù)器上來進(jìn)行訓(xùn)練，稍有不慎就會發(fā)生數(shù)據(jù)泄露，產(chǎn)生數(shù)據(jù)安全問題。出于對用戶隱私數(shù)據(jù)的保護(hù)，跨域推薦系統(tǒng)在訓(xùn)練時應(yīng)在用戶或運(yùn)營商服務(wù)器本地進(jìn)行訓(xùn)練，以知識遷移的方式將加密后的特征上傳到中央服務(wù)器，生成對用戶的推薦。如何在本地進(jìn)行用戶特征的提取和如何加密特征保護(hù)用戶隱私不受侵犯是一個值得研究的問題。

（二）用戶數(shù)據(jù)隱私保護(hù)問題

用戶的數(shù)據(jù)隱私問題也是跨域推薦中廣泛研究的問題。在POI 跨域推薦系統(tǒng)可以根據(jù)用戶的位置信息來推斷用戶的興趣偏好。例如，一個用戶若經(jīng)常在某商場簽到，可以推薦出該用戶是商場的工作人員或有較強(qiáng)的消費(fèi)能力。再比如，若一個用戶經(jīng)常在旅游點(diǎn)打卡簽到，可以推斷出該用戶經(jīng)常出去旅游或出差等等。個性化跨域推薦系統(tǒng)可以有效地緩解冷啟動問題，但是如果這些數(shù)據(jù)使用不當(dāng)，被竊取或盜用，會產(chǎn)生用戶數(shù)據(jù)的隱私安全問題。因此保護(hù)用戶的數(shù)據(jù)安全是跨域推薦系統(tǒng)的主要研究方向。傳統(tǒng)的推薦系統(tǒng)都是采用集中式的訓(xùn)練模型，即所有領(lǐng)域的數(shù)據(jù)都存儲在一個中央服務(wù)器中，在這種情況下，用戶的數(shù)據(jù)很容易發(fā)生泄露，因?yàn)楝F(xiàn)實(shí)生活中我們很難找到一個值得信任的服務(wù)器。若采用分布式的訓(xùn)練模型，可以有效地解決服務(wù)器不可信和數(shù)據(jù)存儲問題，但是由于各個平臺之間存在商業(yè)利益，往往不愿意將自己收集的數(shù)據(jù)分享出來，就會出現(xiàn)“數(shù)據(jù)孤島”現(xiàn)象，使得跨域協(xié)同變得非常困難。因此如何在解決“數(shù)據(jù)孤島”問題的同時保護(hù)數(shù)據(jù)隱私，是個性化跨域推薦系統(tǒng)亟待解決的問題。

五、個性化跨域推薦系統(tǒng)中的用戶隱私保護(hù)研究策略提出

為了更好地在跨域推薦系統(tǒng)提取特征、保護(hù)用戶的隱私數(shù)據(jù)以及提升跨域推薦系統(tǒng)的推薦準(zhǔn)確性，本文設(shè)計(jì)了基于隱私保護(hù)的跨域推薦系統(tǒng)。本文擬采用個性化異構(gòu)信息網(wǎng)絡(luò)來提取用戶的特征，異構(gòu)信息網(wǎng)絡(luò)具有很強(qiáng)的靈活性，可以充分提取用戶的特征。使用聯(lián)邦學(xué)習(xí)結(jié)合同態(tài)加密技術(shù)算法來保護(hù)用戶的隱私數(shù)據(jù)，聯(lián)邦學(xué)習(xí)在用戶本地訓(xùn)練數(shù)據(jù)后再使用同態(tài)加密技術(shù)將潛在特征分布加密后用作知識遷移，以保護(hù)用戶的隱私信息。為進(jìn)一步提升推薦系統(tǒng)的推薦準(zhǔn)確性，本文考慮加入實(shí)時性的因素，以應(yīng)對用戶不斷實(shí)時變化的需求，提升用戶的使用體驗(yàn)。

（一）基于異構(gòu)信息網(wǎng)絡(luò)的隱私保護(hù)個性化跨域推薦

由于個性化跨域推薦系統(tǒng)需要在多領(lǐng)域中提取用戶的特征，因此數(shù)據(jù)在用戶與用戶、用戶與項(xiàng)目、項(xiàng)目與項(xiàng)目之間存在相關(guān)的特征交互，導(dǎo)致特征提取和數(shù)據(jù)轉(zhuǎn)移相對復(fù)雜。為解決這一問題，本文提出使用異構(gòu)信息網(wǎng)絡(luò)提取不同領(lǐng)域之間的關(guān)聯(lián)特征，該網(wǎng)絡(luò)在結(jié)構(gòu)上含有多種類型的節(jié)點(diǎn)和邊，蘊(yùn)含著豐富的關(guān)聯(lián)信息。同時為確保數(shù)據(jù)安全性和用戶隱私，需要對特征提取和數(shù)據(jù)轉(zhuǎn)移進(jìn)行隱私保護(hù)。為此，采用聯(lián)邦學(xué)習(xí)和同態(tài)加密算法結(jié)合的方法，讓用戶在本地訓(xùn)練數(shù)據(jù)，將潛在特征分布加密后進(jìn)行知識遷移，保證用戶的隱私數(shù)據(jù)不被泄露。此外，為提升推薦系統(tǒng)的準(zhǔn)確性，本文考慮加入實(shí)時性因素，以滿足用戶不斷變化的需求，提高用戶的使用體驗(yàn)。由于用戶的選擇決策取決于實(shí)時需求和偏好喜好，因此增加實(shí)時因素對于增強(qiáng)個性化跨域推薦系統(tǒng)的準(zhǔn)確性至關(guān)重要。在保障用戶隱私保護(hù)的同時，加入實(shí)時因素可促進(jìn)用戶體驗(yàn)的提升。

（二）具有隱私保護(hù)的跨域?qū)崟r推薦推薦

系統(tǒng)是根據(jù)用戶的歷史性行為給用戶來生成推薦的，但是由于用戶的需求是不斷地實(shí)時變化的，且用戶的選擇是實(shí)時需求和用戶偏好加權(quán)求和的結(jié)果，若一味地根據(jù)用戶的歷史偏好來生成推薦的話，可能會導(dǎo)致推薦系統(tǒng)的準(zhǔn)確性下降，用戶滿意度不高等結(jié)果。因此實(shí)時性成為提升推薦系統(tǒng)準(zhǔn)確性的一個重要因素，比如用戶所處的地點(diǎn)位置、絕對時間等實(shí)時因素，均會影響用戶的選擇。本文在跨域隱私保護(hù)推薦系統(tǒng)基礎(chǔ)上，考慮融合絕對時間等實(shí)時性因素，訓(xùn)練推薦系統(tǒng)，提升系統(tǒng)的準(zhǔn)確性。其間，利用聯(lián)邦學(xué)習(xí)訓(xùn)練框架為：首先自服務(wù)端下發(fā)模型參數(shù)，用于完成本地模型的初始化訓(xùn)練。其次，由客戶端將數(shù)據(jù)發(fā)送中間梯度，再到服務(wù)器端，利用服務(wù)器端去將用戶端的參數(shù)做聚合處理，實(shí)現(xiàn)全局模型的更新，最后將最新參數(shù)下發(fā)至本地，用于更新本地模型。具體的聯(lián)邦學(xué)習(xí)訓(xùn)練框架如圖1 所。

另外，由于數(shù)據(jù)在用戶與用戶、用戶與項(xiàng)目、項(xiàng)目與項(xiàng)目間均存在關(guān)聯(lián)特征，特征交互復(fù)雜，本文擬采用異構(gòu)信息網(wǎng)絡(luò)來提取不同領(lǐng)域數(shù)據(jù)的特征，異構(gòu)信息網(wǎng)絡(luò)對數(shù)據(jù)處理具有很強(qiáng)的靈活性，可以提取豐富的特征信息。進(jìn)一步，采用聯(lián)邦學(xué)習(xí)結(jié)合同態(tài)加密技術(shù)的方法來保護(hù)用戶的隱私數(shù)據(jù)，聯(lián)邦學(xué)習(xí)不需要數(shù)據(jù)集中地進(jìn)行訓(xùn)練，可在用戶本地進(jìn)行訓(xùn)練，將訓(xùn)練后特征加密進(jìn)行上傳，可以有效保護(hù)用戶的隱私數(shù)據(jù)。

六、結(jié)束語

綜上所述，在用戶隱私保護(hù)研究中，想要全面提升保護(hù)質(zhì)量，就需要著重圍繞個性化跨域推薦系統(tǒng)展開問題，在了解推薦原理的基礎(chǔ)之上，才能摸索出更具可行性的保護(hù)方案，以此為用戶在互聯(lián)網(wǎng)中的隱私安全提供保障。此外，在具有隱私特性的用戶安全個性化跨域推薦系統(tǒng)研究方面，充分將聯(lián)邦學(xué)習(xí)結(jié)合同態(tài)加密技術(shù)算法應(yīng)用于用戶隱私數(shù)據(jù)保護(hù)中，能夠有效將潛在的用戶數(shù)據(jù)特征所分布加密處理，以此搭建知識遷移體系，為用戶的隱私保護(hù)提供支持，最終強(qiáng)化用戶體驗(yàn)。

作者單位：蘇暢 李佳慶 謝顯中 重慶郵電大學(xué)