基于奇異值分解模型的在線實時推薦的隱私保護

□路應(yīng)金 杜素娟

[電子科技大學(xué) 成都 611731]

基于奇異值分解模型的在線實時推薦的隱私保護

□路應(yīng)金 杜素娟

[電子科技大學(xué) 成都 611731]

利用縮減的奇異值分解更新算法和隨機技術(shù)提出了一個基于奇異值分解模型的在線推薦的隱私保護方法，將新數(shù)據(jù)混合到原始數(shù)據(jù)中保護消費者在線購物的隱私數(shù)據(jù)。實驗結(jié)果表明，我們提供的模型可以保證數(shù)據(jù)高效性和更低概率的隱私泄露，并且預(yù)測的精度仍然很高，對于實現(xiàn)消費者網(wǎng)上隱私保護有重要的指導(dǎo)意義。

奇異值分解；隱私保護；實時推薦；協(xié)同過濾

引言

伴隨著電子商務(wù)的快速發(fā)展，個性化推薦系統(tǒng)成為電子商務(wù)企業(yè)在線推銷商品的有力工具。亞馬遜、京東通過向消費者推薦感興趣的產(chǎn)品提升在線商品銷售的選擇。推薦系統(tǒng)是通過構(gòu)建消費者的購物模式利用相關(guān)算法來預(yù)測消費者的購物偏好的系統(tǒng)。從上世紀(jì)90年代中期就有很多關(guān)于推薦系統(tǒng)的論文發(fā)表[1]，學(xué)者們將其算法和模型應(yīng)用于現(xiàn)實生活中，大多數(shù)的推薦系統(tǒng)源于協(xié)同過濾算法[2～3]。協(xié)調(diào)過濾算法是推薦算法中應(yīng)用得最為廣泛和成功的一種算法[4～5]。協(xié)同過濾技術(shù)也是個性化推薦中應(yīng)用最成功的技術(shù)[6～7]。協(xié)同過濾技術(shù)可以分為兩大分支：鄰近算法和潛在因子模型[8]。奇異值分解算法是基于潛在因子模型的一種算法[9]。

隱私保護的協(xié)同過濾推薦研究致力于在確保高質(zhì)、高效地產(chǎn)生推薦的同時有效地保護參與方的隱私[10]。奇異值分解模型是協(xié)同過濾算法中重要的一種典型算法[11]，是一種基于數(shù)據(jù)擾動的方法[12]。在推薦系統(tǒng)中，用戶并不參與原始數(shù)據(jù)的處理，他們將自己的數(shù)據(jù)發(fā)送給服務(wù)器，然后服務(wù)器進行數(shù)據(jù)的協(xié)同過濾。Polat和Du將隨機擾動加入到基于協(xié)同過濾技術(shù)的奇異值分解算法中，以此來構(gòu)建隱私保護系統(tǒng)[13～14]，把統(tǒng)一的或者高斯分布的擾動加入到用戶的真實偏好中，然后服務(wù)器預(yù)測這些擾動數(shù)據(jù)的未知偏好。在這種結(jié)構(gòu)下，數(shù)據(jù)擁有者也要注意數(shù)據(jù)的快速更新，以及隨著數(shù)據(jù)更新，對隱私的保護水平還可以保持在一個相對合理的位置。Stewart研究了奇異值分解算法中的擾動理論以及其在信號處理中的應(yīng)用[15]。Brand論證了一個奇異值分解算法的快速降低矩陣的秩的修正算法[16]，Tougas和Spiteri證明了局部奇異值分解更新算法時需要進行正交三角分解以及完全奇異值分解時計算并不復(fù)雜[17]。Wang等提出了一種改進的奇異值分解模型，本文改進了模型的奇異值分解更新算法，加入了隨機擾動和后期的加工。

一、模型的構(gòu)建

（一）基于潛在因子模型的原始奇異值分解算法

潛在因子模型[18]主要致力于用戶評分矩陣的降低維度上，以此來發(fā)掘一些潛在因子，這些因子使用最少的擾動數(shù)據(jù)可以最好地詮釋用戶的偏好，我們可以充分利用這些因子來近似估計原始評分值。在Paterek的基于潛在因子模型的奇異值分解算法中，將用戶評分矩陣因式分解成更低的評分矩陣，用戶元素矩陣UF和商品元素矩陣IF。每一個用戶i和商品j可以分別表示成一個f維度矢量UFi（矩陣UF的第i行）和IFi（矩陣IF的第j列）。我們通過計算向量UFi和IFi的內(nèi)積來預(yù)測第i行第j列元素的評分。

首先，應(yīng)用奇異值分解算法計算稀疏矩陣R，填補所有的缺失值，將缺失數(shù)值設(shè)置為零，然后得到用戶向量和商品向量。

這里的U和V是標(biāo)準(zhǔn)正交矩陣，S是對角線上的元素為奇異值的對角陣，且矩陣S的秩為r。

利用Berry的大范圍的稀疏奇異值算法[19]，當(dāng)分解評分矩陣時，維度f（f不大于r）比較容易定義，因此用戶元素矩陣和商品元素矩陣也可以表示為：

（二）問題描述

假設(shè)數(shù)據(jù)擁有者有一個用戶評分矩陣，R∈Rm×n，其中有m個用戶和n個商品，rij表示用戶i對商品j的評分。有效的評分值取值范圍在不同網(wǎng)絡(luò)的情況是不同的，一些網(wǎng)絡(luò)評分值從1～5，1是最低評分表示不喜歡，5是最高評分代表最受歡迎，而一些網(wǎng)站用-10～10來評分，其中-10表示最低分，0表示中立評分，10為最高評分。

用戶的原始評分矩陣包含用戶對商品的真實評分，我們可以由此確定用戶的購物模式。這些模型可能泄露了某些用戶的隱私，所以在毫無隱私保護措施的情況下放出用戶的原始評分?jǐn)?shù)據(jù)將會導(dǎo)致隱私的泄露。在放出用戶原始評分?jǐn)?shù)據(jù)之前插補矩陣然后擾亂它是一種可行的保護用戶隱私的方法。因為所有的商品都隨著評分做了標(biāo)記，所以存在缺失數(shù)值就無法分辨哪些商品已經(jīng)評分。在這個過程中，插補估算缺失的評分?jǐn)?shù)據(jù)，隱藏用戶對特定商品的喜好，同時這個擾動使得用戶對特定商品的喜好變得模糊不清。

當(dāng)有新的用戶交易數(shù)據(jù)出現(xiàn)時，新的行向量，定義為T∈Rp×n，添加到原始矩陣R中，

類似的，當(dāng)有新的商品交易數(shù)據(jù)出現(xiàn)時，新的列向量，定義為G∈Rm×q，添加到原始矩陣R中，

為了保護用戶隱私，新的評分矩陣在放出之前必須經(jīng)過加工。Tr∈Rp×n表示處理過的新的行向量，Gr∈Rm×q表示處理過的新的列向量。

（三）數(shù)據(jù)更新模型

本部分主要介紹在數(shù)據(jù)更新過程保護隱私的協(xié)同過濾算法中的數(shù)據(jù)更新模型。通過在以下三個方面用戶的隱私：缺失數(shù)值的插補，隨機擾動數(shù)據(jù)和縮減的SVD算法。插補值的步驟可以保護用戶已評分的隱私信息。但是由于單一的傳統(tǒng)的插補值會產(chǎn)生相同的值并以此填入空白項，這樣的矩陣容易被攻擊。因此我們增加了另外一種隱私信息，即用戶對特定商品的實際評分值。在這種情況下，隨機性和縮減的SVD技術(shù)可以作為解決問題的第二種擾動項。一方面，隨機擾動可以一定程度上改變評分值，剩余的分布不改變。另一方面，所用的SVD技術(shù)是一種理想的數(shù)據(jù)擾動的方式，這種技術(shù)可以捕獲矩陣的潛在性質(zhì)并且消除無用的擾動。對于給定的已選好的縮減排列，SVD可以在數(shù)據(jù)隱私和效用之間保持很好的平衡。

正如前面部分的陳述一樣，新的數(shù)據(jù)可以作為矩陣新的行向量或者列向量。把這些新數(shù)據(jù)添加到原始矩陣R，然后進一步擾亂數(shù)據(jù)來保護用戶隱私。相應(yīng)的，我們提出的模型也可以在行向量或者列向量單獨更新的時候使用。

1.行更新

在等式（1）中，將向量T加入R中，得到的新矩陣R’是一個（m+p）×n的矩陣，假設(shè)縮減矩陣R的k階SVD先前已經(jīng)計算過，

其中，Uk∈Rm×k，Vk∈Rn×k是正交矩陣；是最大有K個奇異值的對角線矩陣。

我們上一部分提到的，用戶評分矩陣在因式分解之前是一個不完全的矩陣，需要提前插入缺失值，例如，插入每個商品的平均評分值，這些平均值用來幫助更新SVD。

對于新的行向量T，在加入現(xiàn)存矩陣之前，先插入缺失值，用插入數(shù)值填補空白項，插入數(shù)值來自于現(xiàn)存矩陣和新評分?jǐn)?shù)據(jù)的平均值。列的均值由下式計算：

新的列的平均值不影響原來的矩陣，因此，擁有擾動數(shù)據(jù)的第三方平臺和數(shù)據(jù)擁有者只需要釋放擾動的新數(shù)據(jù)，不需要改變列均值。

這個k階奇異值分解矩陣在下面的矩陣中計算得到

由于(k+p)是一個很小的值，奇異值分解的計算過程很快，所以我們用矩陣縮減的奇異值分解來代替完整的分解

在協(xié)同過濾算法中，所有項的值的取值范圍應(yīng)該是有效的。例如，在MovielLens數(shù)據(jù)中的r的取值范圍應(yīng)該是0＜r≤5。所以，在得到新的新矩陣之后，接下來的一步就是應(yīng)用有效取值范圍，使得合理值取代所有的非有效值

以下總結(jié)了行更新時的奇異值分解算法步驟

2.列更新

列更新類似于行更新，但是兩者有一些不同。在新的用戶評分矩陣中，用商品平均值來填補缺失值。在行更新中，當(dāng)新用戶增加時均值改變；但是列更新中，均值僅僅取決于新商品。由于這種特性，列更新時不必保持一個商品的均值矢量。

以下總結(jié)了行更新時的奇異值分解算法步驟

數(shù)據(jù)擁有者應(yīng)該持有更新元素矩陣，無論是列更新還是行更新，并且插入新的數(shù)據(jù)矩陣。當(dāng)用戶發(fā)生更新時，這個更新商品均值也應(yīng)該由數(shù)據(jù)擁有者持有。

正像在兩種算法中表述的，在保護用戶隱私方面，結(jié)合使用了三種插入數(shù)值技術(shù)。初始插入數(shù)值替補了所有的缺失值。在插入數(shù)據(jù)中加入隨機擾動使得插入數(shù)值之間彼此不同?？s減的奇異值分解算法消除了數(shù)據(jù)的繁瑣性，這個過程保護了數(shù)據(jù)的有效性同時保護了數(shù)據(jù)的隱私。三種技術(shù)結(jié)合起來在不同方面保護隱私。

圖1 奇異值分解算法流程示意圖

二、模型評估

（一）預(yù)測模型和誤差檢測

因為奇異值分解模型不能解決缺失數(shù)值問題，如果沒有預(yù)處理值的話那些缺失數(shù)值就會為零。經(jīng)典的填補缺失數(shù)值的方法就是使用商品的均值。

假設(shè)p’ij是通過基于協(xié)同過濾算法的奇異值分解模型得到的預(yù)測值，為了確保預(yù)測的評分值在有效范圍內(nèi)，我們需要做一些邊界范圍的檢測：

當(dāng)我們檢測預(yù)測的準(zhǔn)確度時，用戶元素矩陣UF和商品元素矩陣IF首先來自于樣本集，然后對于在每個樣本集里的評分集，我們對所有的評分值計算出相應(yīng)的預(yù)測值，并且檢測誤差值，以及絕對平均誤差，誤差值越小越好。計算公式如下：

（二）隱私估計

隱私水平是一個度量，表示我們可以通過給出的隨機變量X來估計隨機變量Y的取值范圍

隱私估計是由阿格瓦拉和阿加沃爾提出的，并且波拉提爾應(yīng)用于協(xié)同過濾算法中。阿格瓦拉和阿加沃爾還提出了已知X條件下的Y的缺失值的條件隱私的估計[20]。

（三）評估策略

為了檢測何時重新進行奇異值分解，我們把評分矩陣的數(shù)據(jù)集用一個專門的比率ρ1分解成兩個子欄目。 假設(shè)第一個的ρ1已經(jīng)處理過了，剩下的數(shù)據(jù)然后更新進去。然后計算矩陣中的k階奇異值分解和商品平均值矢量。我們命名K階矩陣的近似值為開始矩陣。我們利用這些數(shù)據(jù)結(jié)構(gòu)作為公式（10）的輸入。我們期望得到的結(jié)果隨著分流比率不同而變化。如果結(jié)果與我們預(yù)先確定的臨界值偏離太遠(yuǎn)，或者結(jié)果演變的更慢或者開始在某些點上下降，我們將會進行重新的計算。

然而，我們在樣本集中保留的60%行向量不僅僅只有一次更新，因為現(xiàn)實當(dāng)中程序通常是逐步增加的。本次實驗當(dāng)中，分幾次向60%的行向量添加到開始矩陣，取決于另一個分流比ρ2。比如說，如果ρ2=1/10，增加十次新數(shù)據(jù)到開始矩陣。最后由開始矩陣與十次增加矩陣之和得到的矩陣就是擾動和更新矩陣。

三、數(shù)據(jù)分析

本次實驗的數(shù)據(jù)取自MovieLens數(shù)據(jù)庫和Jester數(shù)據(jù)庫。我們選取MovieLens數(shù)據(jù)庫的10萬條評分集，其中有943位用戶和1682件商品。這十萬條評分，評分值從1～5，可分為有8萬評分的樣本集和2萬評分的測試集，兩個集合都比較稀疏。

Jester數(shù)據(jù)庫來自一個笑話推薦系統(tǒng)的網(wǎng)站，我們選取其中的數(shù)據(jù)集，包括24983位用戶和100條笑話以及1810455個評分，評分值從-10～+10。我們隨機抽取其中的80%作為樣本集，其余的作為測試集。與MovieLens數(shù)據(jù)庫相比，Jester數(shù)據(jù)沒有那么稀疏。

（一）奇異值分解算法中的縮減的秩（k）的選取

在實驗中我們從{2,5,…,25,50,100}中選取k值，然后計算相應(yīng)的絕對平均誤差。MovieLens的結(jié)果如圖2，這個曲線顯示MAE隨著k值的變化而變化，并且在k=13的時候有最小值。類似的Jester的實驗結(jié)果顯示k=11的時候有最小的MAE值。因此，我們在MovieLens數(shù)據(jù)集里面選擇k=13，Jester數(shù)據(jù)集里面的k=11是合理的。

（二）分流比ρ2

在本次實驗當(dāng)中，ρ1是固定的40%，也就是樣本集里的40%的數(shù)據(jù)作為起始矩陣，余下的60%的會加到矩陣?yán)锩?。分別設(shè)置ρ2為1/10,1/9,1/8,…,1/2,1。

圖3描述了不同的分流比ρ2對應(yīng)的時間成本。行更新用Row代表，列更新用Column代表。為了消除其中的隨機影響，設(shè)置μ和σ為零。

圖2 不同秩k值下的MAE變化圖

圖3 隨著分流比ρ2變化的時間成本圖

MovieLens數(shù)據(jù)的曲線通常是隨著分流比的增大而上升的趨勢，行更新的時間比列的更新的更長一些。在Jester數(shù)據(jù)中，當(dāng)ρ2=1/3時，列更新的時間最短，行更新的時間比列的更新較短，而且在每次循環(huán)中更新的數(shù)據(jù)越少，需要的時間越短。分流比不能僅僅通過時間因素來確定，實驗中的預(yù)測精確度和隱私保護水平也是關(guān)鍵。

圖3表明更新的時間取決于行和列的維度。比如說，MovieLens數(shù)據(jù)集有列比行多，Jester數(shù)據(jù)的列比行少。每一步的行和列的算法顯示，當(dāng)列數(shù)比行數(shù)多的時候，因為有更高的維度和，算法中的第一步和第三步需要更多時間。與插入數(shù)據(jù)的時間成本相比，進行原始樣本集的奇異值分解，該方案在行和列更新上運行更快。

圖4顯示，不同分流比ρ2對應(yīng)的絕對平均誤差保持不變，說明更新數(shù)據(jù)的預(yù)測精確度受ρ2的影響不大，類似的隱私水平結(jié)果也是如此，如下圖4所示。

通過以上的分流比ρ2的實驗結(jié)果，我們設(shè)定在MovieLens數(shù)據(jù)中，行更新和列更新時ρ2=1/10，在Jester數(shù)據(jù)中行更新是設(shè)定ρ2=1/10，列更新時設(shè)定ρ2=1/3 。

圖4 隨著分流比ρ2變化的MAE圖

（三）分流比ρ1

由于SVD算法固有的特性，每次運算中少不了誤差。數(shù)據(jù)的擁有者應(yīng)該意識到合適的時間對整個數(shù)據(jù)重新進行奇異值分解以便保證數(shù)據(jù)的質(zhì)量，這個問題就是通過分流比ρ1來解決。

不同ρ1下更新數(shù)據(jù)的時間成本如圖5所示，我們預(yù)期更新的行或列數(shù)據(jù)越少花費的時間越少。但是，隨著分流比的不同，相應(yīng)的行更新和列更新的時間成本保持不變。

圖5 隨著分流比ρ2變化的隱私水平圖

圖6表示了絕對平均誤差，MovieLens數(shù)據(jù)的曲線在航更新中有一個下降的趨勢，但是在列更新中保持穩(wěn)定。

圖6 隨著分流比ρ1變化的時間成本圖

在Jester數(shù)據(jù)中有所不同，隨著分流比ρ1的增加絕對平均誤差在列更新中有下降趨勢，在行更新中保持穩(wěn)定。這說明起始矩陣的評分值越少，預(yù)測模型刻畫用戶偏好的精確度越低，因此導(dǎo)致了更低的預(yù)測精準(zhǔn)度。關(guān)于行和列對絕對平均誤差的影響，取決于行和列的維度。因為在一個評分矩陣中的信息總量是確定的，假設(shè)每個矩陣之間的輸入量是相同的，用戶的數(shù)目越少，每個用戶貢獻(xiàn)的信息就越多。比如，在MovieLens數(shù)據(jù)中，行維度比列維度少，因此用戶比商品扮演更重要的角色，因為用戶比商品少，所以每個用戶貢獻(xiàn)的信息量比每個商品多。因此隨著用戶書面的增加，絕對平均誤差減少了。在Jester數(shù)據(jù)中正好相反，行維度比列的多，因此列向量對于誤差更為關(guān)鍵。如圖7，與未更新的樣本集的絕對平均誤差MovieLens數(shù)據(jù)的0.7769和Jester數(shù)據(jù)的3.2871相比，當(dāng)更新模型的ρ1為40%時，MovieLens數(shù)據(jù)的行更新為0.7951，列更新為0.7768和Jester數(shù)據(jù)的行更新為3.2870，列更新為3.3221，絕對平均誤差保持在很好的水平，預(yù)測模型可用。

圖8展示了隨著分流比變化的隱私水平，起始矩陣中的數(shù)據(jù)越多隱私水平越低，數(shù)據(jù)越多，尤其是用戶越多，對建構(gòu)模型的貢獻(xiàn)越多，泄露的隱私也就越多。在本次實驗中，行更新的隱私水平都比列更新高，變化速度都比列的更新快。隱私在更新過程中至關(guān)重要。在已知擾亂的更新數(shù)據(jù)（X）時，得到的樣本集數(shù)據(jù)的隱私的缺失值（Y）的結(jié)果如圖9所示。

圖7 隨著分流比ρ1變化的絕對平均誤差圖

圖8 隨著分流比ρ1變化的隱私水平圖

隨著分流比的增大，隱私的缺失數(shù)值增大，隱私水平減小。兩個曲線看起來是相反的。

從圖6和圖7可以確定整個數(shù)據(jù)重新進行奇異值分解的時間，由于當(dāng)ρ1大于等于50%之后絕對平均誤差下降的很慢，并且隱私保護水平曲線的斜率沒有顯著的變化，所以重新計算時的ρ1設(shè)定為50%。

（四）數(shù)據(jù)更新中的隨機性

隨機技術(shù)還未應(yīng)用到我們提出的數(shù)據(jù)更新模型當(dāng)中，但是隨機性還是對于數(shù)據(jù)的質(zhì)量和隱私的保護很重要的。一下的實驗當(dāng)中，ρ1是不變的值40%，ρ2是固定值1/9，我們試著設(shè)置μ在{0，1}中取值，σ在{0.1，1}當(dāng)中取值。實驗結(jié)果如表1所示。

圖9 隨著分流比ρ1變化的隱私缺失值圖

表1 數(shù)據(jù)更新過程中的隨機性因素

在這個表格中，隨機的行更新和列更新與沒有隨機因素的進行比較。在數(shù)據(jù)更新前加入了隨機擾動的新數(shù)據(jù)，隱私量和都有一定程度的提高。但是，數(shù)據(jù)的有效性略有下降，MAE也有所增加。因此，應(yīng)該在數(shù)據(jù)的效用和數(shù)據(jù)的隱私之間權(quán)衡，選擇參數(shù)。而且，結(jié)果顯示期望μ比標(biāo)準(zhǔn)差σ更能影響實驗結(jié)果，所以我們優(yōu)先考慮μ。

在基于數(shù)據(jù)更新模型的奇異值分解算法中，我們采用隨機技術(shù)作為一個輔助的步驟，以便更好地保護隱私。在奇異值算法更新前插入數(shù)據(jù)是隨機的。因此，算上奇異值分解，有兩次數(shù)據(jù)的擾動，可以提高隱私保護水平。同時，通過奇異值分解獲取的潛在因子，我們可以保留關(guān)鍵的信息，確保推薦數(shù)據(jù)的質(zhì)量。

四、結(jié)論

本文提出了一個基于協(xié)同過濾技術(shù)的隱私保護數(shù)據(jù)更新模型，這個模型是一個基于隨機技術(shù)的增量的奇異值分解算法，可以用來更新增量的用戶商品矩陣同時保護隱私。這個模型試著從三個方面保護消費者的隱私，分別是缺失數(shù)值的插入，隨機地擾動和縮減的奇異值分解技術(shù)。實驗結(jié)果表明，我們提出的模型可以快速地將更新的數(shù)據(jù)加入到現(xiàn)存的數(shù)據(jù)中，而且在保護隱私的同時推薦的精確度依然很高。

[1]ADOMAVICIUS G,TUZHILIN A.Toward the Next Generation of Recommender Systems: A Survey of the State-ofthe-Art and Possible Extensions[J].IEEE Transactions on Knowledge and Data Engineering,2005,17(6):734-749.

[2]GOLDBERG D,NICHOLS D,OKI B,TERRY D.Using Collaborative Filtering to Weave an Information Tapestry[J].Communications of the ACM,1992,35:61-70.

[3]KONSTAN J,MILLER B,MALTZ D,HERLOCKER J,et al.GroupLens: Applying Collaborative Filtering to Usenet News[J].Communications of the ACM,1997,40:77-87.

[4]黃宇.基于協(xié)同過濾的推薦系統(tǒng)設(shè)計與實現(xiàn)[D].北京: 北京交通大學(xué),2015.

[5]劉青文.基于協(xié)同過濾的推薦算法研究[D].北京: 中國科學(xué)技術(shù)大學(xué),2013.

[6]姚婷.基于協(xié)同過濾算法的個性化推薦研究[D].北京: 北京理工大學(xué),2015.

[7]沈鍵.電子商務(wù)的個性化協(xié)同過濾推薦算法研究[D].上海: 上海交通大學(xué),2013.

[8]KOREN Y.Factorization Meets the Neighborhood: a Multifaceted Collaborative Filtering Model[C]// The 14th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining,Las Vegas: Nevada,2008: 436-434.

[9]SARWAR B,KARYPIS G,KONSTAN J,RIEDL J.Application of Dimensionality Reduction in Recommender Systems[J].In Acm Webkdd Workshop,2000.

[10]張鋒,孫雪冬,常會友,趙淦森.兩方參與的隱私保護協(xié)同過濾推薦研究[J].電子學(xué)報,2009(01): 84-89.

[11]PATEREK A.Improving Regularized Singular Value Decomposition for Collaborative Filtering[J].Proceedings of KDD Cup and Workshop,2007(8):39-42.

[12]李光,王亞東.一種改進的基于奇異值分解的隱私保持分類挖掘方法[J].電子學(xué)報,2012(04): 739-744.

[13]POLAT H,DU W.Privacy-Preserving Collaborative Filtering [J].International Journal of Electronic Commerce,2005,9(4):9-35.

[14]POLAT H,DU W.SVD-based Collaborative Filtering with Privacy[J].ACM Symposium on Applied Computing,2005,1:791-795.

[15]STEWART G.Perturbation Theory for the Singular Value Decomposition [J].SVD &Signal Processing II Algorithms Analysis &Applications,1996,13(9):99-109.

[16]BRAND M.Fast Low-Rank Modifications of the Thin Singular Value Decomposition [J].Linear Algebra and its Applications,2006,415(1):20-30.

[17]TOUGAS J,SPITERI R.Updating the Partial Singular Value Decomposition in Latent Semantic Indexing [J].Computational Statistics &Data Analysis,2007,52: 174-183.

[18]KOREN Y.Factorization Meets the Neighborhood: a Multifaceted Collaborative Filtering Model[C]// the 14th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining,Las Vegas: Nevada,2008:436-434.

[19]BERRY M.Large-scale Sparse Singular Value Computations [J].International Journal of High Performance computing Application,1992,6(1):13-49.

[20]ADOMAVICIUS G,TUZHILIN A.Toward the Next Generation of Recommender Systems: A Survey of the State-ofthe-Art and Possible Extensions[J].IEEE Transactions on Knowledge and Data Engineering,2005,17(6):734-749.

Privacy Preservation of Online Real-Time Recommendation Based on the SVD Scheme

LU Ying-jin DU Su-juan
( University of Electronic Science and Technology of China Chengdu 611731 China)

The most personalized recommendation method research of online shopping faces challenges about how to ensure the validity of data during the data sharing process and protect users' personal privacy.In this paper,we propose a privacy preserving scheme of online recommendation based on the SVD algorithm by the truncated SVD update algorithms and randomization techniques.It turns out that the proposed scheme can conduct data efficiently and protect data privacy effectively.It is of important guiding significance for privacy preserving of online consumers.

SVD;privacy preservation;real-time recommendation;collaborative filtering

G206.2

A

10.14071/j.1008-8105(2017)02-0074-08

編 輯 何婧

2015-11-25

國家自然科學(xué)基金（71372140）.

路應(yīng)金（1964-）男，博士，電子科技大學(xué)經(jīng)濟與管理學(xué)院副教授；杜素娟（1993-）女，電子科技大學(xué)經(jīng)濟與管理學(xué)院碩士研究生.