圖書推薦服務(wù)用戶隱私保護(hù)方法研究

吳宗大，趙又霖，王瑞琴，盧成浪

1(紹興文理學(xué)院計(jì)算機(jī)系，浙江 紹興 312000) 2(南京大學(xué) 信息管理學(xué)院，南京 210023) 3(湖州師范學(xué)院 信息工程學(xué)院，浙江 湖州 313000) 4(浙江機(jī)電職業(yè)技術(shù)學(xué)院，杭州 310053)

1 引 言

隨著網(wǎng)上信息量急劇膨脹，引發(fā)了嚴(yán)重的信息超載問題[1,2].推薦服務(wù)通過分析用戶興趣偏好，引導(dǎo)用戶發(fā)現(xiàn)其真正感興趣的目標(biāo)數(shù)據(jù)，是解決信息超載的有效工具[2].完整的推薦服務(wù)通常由三個(gè)模塊組成[2,3]：用戶行為記錄、用戶偏好分析和推薦算法，其中，推薦算法是推薦服務(wù)的核心模塊，典型的有協(xié)同過濾推薦[4]、基于內(nèi)容推薦[5]等.為了確保準(zhǔn)確性，推薦算法需掌握大量的用戶偏好信息.然而，隨著云計(jì)算等新技術(shù)發(fā)展，服務(wù)器端變得越來越不可信，它對(duì)用戶偏好信息的大量收集勢(shì)必會(huì)對(duì)用戶隱私安全構(gòu)成嚴(yán)重威脅[6].如果不能加強(qiáng)用戶隱私保護(hù)，推薦服務(wù)將失去用戶的信任和支持.隨著人們維權(quán)意識(shí)的增強(qiáng)，用戶隱私安全問題已成為限制推薦技術(shù)進(jìn)一步發(fā)展與應(yīng)用的主要障礙[7].

社會(huì)科學(xué)領(lǐng)域?qū)W者更多從法律角度研究網(wǎng)絡(luò)用戶隱私保護(hù)問題[7].但制定隱私權(quán)相關(guān)的法律法規(guī)并不能根本上解決問題，它更多地需要采用技術(shù)手段加以解決[8,9].針對(duì)不可信網(wǎng)絡(luò)環(huán)境下的隱私保護(hù)問題，信息科學(xué)領(lǐng)域?qū)W者給出了許多有效的方法，代表性地有：隱私加密、掩蓋變換、匿名化等.以下簡(jiǎn)要介紹這些方法的技術(shù)特點(diǎn)，并分析它們?cè)谕扑]服務(wù)中應(yīng)用局限性.

1)隱私加密是指通過加密變換，使得用戶服務(wù)請(qǐng)求數(shù)據(jù)對(duì)服務(wù)器端不可見，從而達(dá)到用戶隱私保護(hù)的目的，代表性地有隱私信息檢索技術(shù)[10-12].該類技術(shù)不僅要求額外硬件和復(fù)雜算法的支持，而且要求改變服務(wù)器端已有的信息服務(wù)算法，從而引起整個(gè)平臺(tái)的改變，降低了該類方法的實(shí)際可用性.

2)敏感數(shù)據(jù)掩蓋是指，通過偽造數(shù)據(jù)或者使用一般數(shù)據(jù)，掩蓋涉及用戶敏感偏好的行為數(shù)據(jù)[13-16].由于改寫了用戶數(shù)據(jù)，該類方法會(huì)對(duì)準(zhǔn)確性造成一定的負(fù)面影響，即其隱私保護(hù)需以犧牲服務(wù)質(zhì)量為代價(jià)，難以滿足推薦服務(wù)的應(yīng)用需求.

3)匿名化是一類廣泛使用的用戶隱私保護(hù)方法，它通過隱藏或偽裝用戶身份標(biāo)識(shí)，使得用戶能以不暴露身份的方式使用信息服務(wù)[17,18].

然而，許多推薦服務(wù)(如數(shù)字圖書館)要求用戶必須實(shí)名.綜上，隱私安全的推薦服務(wù)需要滿足以下要求：

1)改善用戶敏感偏好(即用戶不愿意暴露的偏好主題)的安全性.具體地，要求攻擊者不僅難以從描述用戶興趣偏好的配置文件中識(shí)別出用戶偏好(數(shù)據(jù)掩蓋和隱私加密可達(dá)到該要求)，而且也難以通過分析推薦算法的推薦結(jié)果，倒推出用戶敏感偏好(隱私加密由于需保證準(zhǔn)確性，無法達(dá)到該要求)；

2)確保推薦結(jié)果準(zhǔn)確性，即對(duì)比引入隱私保護(hù)方法的前后，用戶獲得的最終推薦結(jié)果保持一致；

3)不損害推薦服務(wù)的可用性，即方法不改變已有推薦算法，不需要額外硬件支持，也不會(huì)對(duì)服務(wù)執(zhí)行效率構(gòu)成顯著影響.

數(shù)字圖書館是知識(shí)經(jīng)濟(jì)社會(huì)的重要信息保障.為此，本文以數(shù)字圖書館為例，基于內(nèi)容推薦算法，設(shè)計(jì)實(shí)現(xiàn)了一個(gè)用戶隱私安全的圖書推薦服務(wù).本文貢獻(xiàn)包括三方面：

1)設(shè)計(jì)用戶隱私安全的圖書推薦體系框架.基于客戶端的體系結(jié)構(gòu)，將行為收集和偏好分析模塊轉(zhuǎn)移到可信客戶端，由客戶端構(gòu)造生成用戶配置文件.然后，由客戶端構(gòu)造生成一組假冒配置文件，連同用戶文件，以隨機(jī)次序逐個(gè)提交給服務(wù)器端進(jìn)行圖書推薦.最后，客戶端再從中過濾出對(duì)應(yīng)用戶配置文件的推薦結(jié)果.

2)基于該隱私框架，定義用戶隱私模型.它形式化描述了客戶端構(gòu)造的假冒文件應(yīng)滿足的條件約束，即：與用戶文件特征相似，但與用戶敏感偏好主題無關(guān).特征相似使得服務(wù)器端難以識(shí)別出用戶文件.敏感主題無關(guān)使得假冒文件能有效地降低用戶敏感偏好在服務(wù)器端的暴露度.

3)基于隱私框架，借助圖書分類目錄結(jié)構(gòu)，給出用戶隱私模型的實(shí)現(xiàn)方法.它運(yùn)行在客戶端，能為用戶文件構(gòu)造生成一組滿足隱私模型條件約束的假冒文件.最后，實(shí)驗(yàn)評(píng)估驗(yàn)證了用戶隱私模型和及其實(shí)現(xiàn)算法的有效性.

2 體系框架

本文建立在基于內(nèi)容圖書推薦算法基礎(chǔ)上.基于內(nèi)容推薦算法分別對(duì)用戶和物品建立配置文件，通過計(jì)算比較配置文件之間的相似度，向用戶推薦與其配置文件相似物品.在本文方法中，圖書推薦算法運(yùn)行在服務(wù)器端，其輸入是：來自客戶端的用戶配置文件(由一組表征用戶興趣偏好的圖書關(guān)鍵詞組成)以及來自服務(wù)器的圖書配置文件(由一組描述圖書內(nèi)容特征的關(guān)鍵詞組成).

定義1.(用戶配置文件)包括兩個(gè)部分：圖書關(guān)鍵詞集合、以及用戶對(duì)關(guān)鍵詞的偏好評(píng)分.讓表示圖書關(guān)鍵詞空間，mark(ki)表示用戶對(duì)關(guān)鍵詞ki∈的偏好程度評(píng)分(或ki對(duì)用戶的重要程度)，則用戶配置文件可表示為：

P0={k1,k2,…,kn|ki∈∧mark(ki)≠0}

定義2.(配置文件相似度)讓P0和B0分別表示用戶配置文件和圖書配置文件，則配置文件間的相似度可通過夾角余弦計(jì)算如下：

所謂用戶敏感偏好就是用戶不希望被攻擊者獲知的偏好圖書主題.圖書推薦服務(wù)器端是攻擊者的主要目標(biāo)，因而是不可信的.圖1展示了本文采用的用戶隱私安全的圖書推薦框架，其數(shù)據(jù)處理過程如下：

1)采用基于客戶端的體系結(jié)構(gòu)，將圖書推薦服務(wù)中的用戶行為收集和偏好分析模塊轉(zhuǎn)移到可信客戶端，即由客戶端收集和分析用戶行為，生成用戶配置文件P0.

2)在客戶端新增配置文件偽造模塊，通過分析P0，結(jié)合預(yù)設(shè)的閾值參數(shù)，綜合考慮安全性、準(zhǔn)確性和高效性，構(gòu)造生成假冒文件P1,P2,…,Pn，然后，將假冒文件連同用戶文件P0，以隨機(jī)次序提交給服務(wù)器用于圖書推薦.

3)客戶端的推薦結(jié)果篩選模塊，它從服務(wù)器端所返回的推薦結(jié)果R0,R1,R2,…,Rn(Ri是推薦算法以Pi為輸入所得到的推薦結(jié)果)中篩選出對(duì)應(yīng)P0的推薦結(jié)果R0(同時(shí)拋棄其他結(jié)果)返回給用戶.

圖1 用戶隱私安全的圖書推薦體系框架Fig.1 A privacy-preserving book recommender framework

從圖1可看出：一方面，推薦算法模塊輸出的推薦結(jié)果不再是真實(shí)結(jié)果，使得服務(wù)器端難以根據(jù)這些結(jié)果，倒推出用戶敏感主題；另一方面，推薦算法模塊返回結(jié)果必然是真實(shí)結(jié)果的超集，保證了用戶能最終得到準(zhǔn)確結(jié)果.此外，該架構(gòu)不改變服務(wù)器端現(xiàn)有推薦算法，具有良好的實(shí)用性.還可看出：配置文件偽造模塊所生成的假冒文件對(duì)整個(gè)架構(gòu)至關(guān)重要，其構(gòu)造質(zhì)量是隱私保護(hù)的關(guān)鍵.通常，隨機(jī)假冒文件很容易給攻擊者識(shí)別出來.因?yàn)?，用戶文件所蘊(yùn)含的偏好主題是富有規(guī)律性特征的(如某段時(shí)間內(nèi)特別偏好某類圖書關(guān)鍵字或圖書主題)；而隨機(jī)生成的配置文件無法體現(xiàn)這種特征.假冒文件還不能與用戶敏感偏好主題相關(guān).如假定用戶敏感偏好主題為“犯罪心理”，那么如果生成的假冒文件也涉及“犯罪心理”或與之高度相關(guān)主題，顯然不合適.為此，假冒配置文件需要滿足以下約束：“真假難辨”，應(yīng)與用戶文件擁有高度相似的特征分布，使得攻擊者難以識(shí)別排除假冒文件，以有效地隱藏用戶配置文件；“以假亂真”，能有效地掩蓋用戶敏感偏好主題，即假冒文件必須能夠有效地降低用戶敏感偏好主題在服務(wù)器端的暴露度，從而使得攻擊者難以從中分析出用戶敏感偏好.

3 方法實(shí)現(xiàn)

3.1 隱私模型

本節(jié)描述面向圖書推薦服務(wù)的用戶隱私模型.首先，模型定義用戶配置的關(guān)鍵詞特征向量(定義3)和主題特征向量(定義6)，以捕獲用戶文件的規(guī)律性特征；然后，據(jù)此定義關(guān)鍵詞特征相似性(定義4)和主題特征相似性(定義7)，以度量假冒文件關(guān)于用戶文件的相似程度(“真假難辨”效果).然后，定義用戶主題關(guān)于配置文件的暴露度(定義8和定義9)，以度量假冒文件對(duì)用戶敏感主題的掩蓋效果(“以假亂真”效果).最后，基于上述度量，進(jìn)一步定義客戶端生成的假冒文件應(yīng)滿足的約束(定義10).

定義3.(關(guān)鍵詞特征向量)定義在用戶配置文件P0上的關(guān)鍵詞特征向量，由各個(gè)圖書關(guān)鍵詞的用戶偏好評(píng)分值按從大到小順序排列后組成，即：

KF(P0)=(mark(k1),mark(k2),…,
mark(kn)|ki∈P0∧mark(ki)≥mark(ki+1))

定義4.(關(guān)鍵詞特征相似度)對(duì)于用戶配置文件P1和P2，記它們的關(guān)鍵詞特征向量分別為KF(P1)和KF(P2)，則P1和P2之間的關(guān)鍵詞特征相似性可度量如下：

服務(wù)器端圖書資料庫通常會(huì)使用一個(gè)分類樹(如中圖法的圖書分類目錄)組織圖書，它將圖書按其學(xué)科內(nèi)容分成幾大類，大類下分小類，小類下再細(xì)分小類.我們選擇在圖書分類目錄中處于次頂層的209個(gè)類別(如B0哲學(xué)理論、B1世界哲學(xué)等)組建圖書主題空間.

定義5.(主題偏好評(píng)分)讓表示圖書主題空間，讓(u)表示屬于主題u的圖書關(guān)鍵詞集合.用戶對(duì)任意圖書主題u∈的偏好程度(或主題對(duì)用戶的重要程度)可定義為：

mark(u)=∑ki∈(u)mark(ki)

定義6.(主題特征向量)記用戶配置文件P0背后蘊(yùn)含的用戶偏好圖書主題集為U0，即U0={u1,u2,…,un|ui∈∧mark(ui)>0}，則定義在用戶文件P0上的主題特征向量由P0蘊(yùn)含的圖書主題的用戶偏好評(píng)分值，按從大到小的順序排列后組成，即：

UF(P0)=(mark(u1),mark(u2),…,
mark(un)|ui∈U0∧mark(ui)≥mark(ui+1))

定義 7.(主題特征相似度)對(duì)于給定的用戶配置文件P1和P2，記它們的主題特征向量分別為UF(P1)和UF(P2)，則P1和P2之間的主題特征相似性可度量如下：

所謂用戶敏感偏好就是用戶不希望被攻擊者獲知的偏好圖書主題.用戶需要預(yù)先設(shè)定自己的敏感主題集合*(顯然有*?).給定用戶配置文件，根據(jù)定義3.3可計(jì)算出用戶對(duì)任意圖書主題偏好值.以此作為中間參考，可進(jìn)一步計(jì)算出用戶主題關(guān)于配置文件的暴露程度.

定義8.(主題關(guān)于配置文件的暴露度)對(duì)于給定用戶配置文件P0以及給定的圖書主題u*∈，則圖書主題u*關(guān)于配置文件P0的暴露度可定義為：

定義9.(主題關(guān)于配置文件集的暴露度)對(duì)于給定的圖書主題*∈和若干個(gè)配置文件={P1,P2,…,Pn}，則圖書主題u*關(guān)于配置文件集的暴露度可定義為：

exp(u*,)=mark(u*)·

用戶敏感主題是隱私保護(hù)的關(guān)鍵.根據(jù)圖1可知，當(dāng)攻擊者無法區(qū)分用戶文件P0時(shí)，他只能通過分析客戶端提交的配置文件集P0,P1,…,Pn猜測(cè)可能的用戶敏感主題.即敏感主題關(guān)于配置文件集的暴露度越高，則攻擊者猜測(cè)出敏感主題的可能性就越大.為此，可以用敏感主題暴露度來度量用戶敏感主題的泄露風(fēng)險(xiǎn).

定義10.(圖書主題隱私模型)給定用戶文件P0和敏感主題集*?以及若干假冒文件={P1,P2,…,Pn}，如果假冒文件滿足以下兩個(gè)條件約束，則稱：它們能有效地改善敏感主題*在不可信服務(wù)器端的安全性.

1)特征分布相似性.假冒文件應(yīng)與用戶文件特征相似，以實(shí)現(xiàn)真假難辨的效果，即minPi∈simK(P0,Pi)simU(P0,Pi)≥φ(φ為預(yù)先設(shè)定的相似性閾值參數(shù)).

2)敏感主題安全性.假冒文件能有效降低用戶敏感主題在服務(wù)器的暴露程度，以實(shí)現(xiàn)以假亂真效果，即minu*∈*)exp(u*,P0)/exp(u*,{P0}∪)≥ω(ω為預(yù)先設(shè)定的隱私安全性閾值).

3.2 算法實(shí)現(xiàn)

本節(jié)描述隱私模型的算法實(shí)現(xiàn)(如算法1所示).在算法實(shí)現(xiàn)中，預(yù)先挑選了圖書分類目錄中處于次頂層的209個(gè)圖書目錄(如B0哲學(xué)理論、B1世界哲學(xué)等)，組建圖書主題空間.然后，我們預(yù)先向?qū)W校圖書館索取了收藏圖書涉及的標(biāo)題信息(也可通過網(wǎng)絡(luò)爬蟲自動(dòng)爬取)，組建圖書標(biāo)題空間.還利用分詞技術(shù)對(duì)圖書標(biāo)題進(jìn)行分詞，共獲得127536個(gè)關(guān)鍵詞，組建圖書關(guān)鍵詞空間.由于每本圖書都擁有中圖法分類號(hào)屬性，它根據(jù)圖書所屬的各級(jí)別圖書分類目錄自動(dòng)生成.因此，借助于該屬性，可將圖書標(biāo)題空間中的標(biāo)題，映射為圖書主題空間中的主題(即獲取標(biāo)題所屬主題).進(jìn)而，以圖書標(biāo)題空間為中介，獲取圖書關(guān)鍵詞所屬的可能圖書主題集，也即獲取了各圖書主題u∈所包含的所有圖書關(guān)鍵詞，即獲得(u).在算法1中，每次WHILE循環(huán)均會(huì)生成一個(gè)假冒文件Pi，通過多次循環(huán)，構(gòu)造輸出一組假冒文件，以確保用戶敏感主題的安全性(見步驟3的WHILE條件).算法1雖嵌套了多層循環(huán)，但實(shí)際上，在每次最外層WHILE循環(huán)執(zhí)行過程中(即一次假冒文件的構(gòu)造過程)，最內(nèi)層的FOREACH循環(huán)體(步驟9-12)被執(zhí)行次數(shù)剛好等于用戶文件大小，即等于|P0|.因?yàn)榧倜爸黝}從-*中選取(步驟5)，使得假冒文件不包含用戶敏感主題，所以，在最外層WHILE循環(huán)執(zhí)行完后(即WHILE循環(huán)條件不再滿足時(shí))，WHILE循環(huán)體的執(zhí)行次數(shù)近似等于ω(約產(chǎn)生ω個(gè)假冒文件，后文實(shí)驗(yàn)也驗(yàn)證了這點(diǎn)).因而算法1時(shí)間復(fù)雜度為O(|P0|·ω).這是一個(gè)較為理想的線性時(shí)間復(fù)雜度，它對(duì)圖書推薦效率的影響十分有限.

算法1.假冒配置文件構(gòu)造算法

輸入：用戶配置文件P0；用戶敏感主題*；安全性閾值ω和相似性閾值φ

輸出：假冒配置文件P1,P2,…,Pn

1.獲取用戶配置文件P0背后蘊(yùn)含的用戶偏好主題集，記做U0；

3.WHILE(?u*∈*→exp(u*,P0)/exp(u*,{P0}∪)<ω)DO

4. 設(shè)置假冒配置文件Pi←?；

5. 隨機(jī)生成主題集Ui，要求：Ui?-*∧|U0|=|Ui|；/*為主題空間*/

6. 隨機(jī)配對(duì)Ui和U0中的圖書主題；/*下文假定ui∈Ui與u0∈U0配對(duì)*/

7.FOREACH(u0∈U0)DO

9.FOREACH(k0∈(u0))DO

11. 設(shè)置Pi←Pi+ki；/*將假冒關(guān)鍵詞ki放入假冒配置文件Pi*/

12.ENDFOREACH

13.ENDFOREACH

15.ENDWHILE

16.RETURNP；/*返回假冒配置文件集合*/

4 實(shí)驗(yàn)評(píng)估

本文方案對(duì)用戶敏感主題的保護(hù)效果依賴于假冒文件的有效性.為此，本節(jié)通過實(shí)驗(yàn)評(píng)估假冒文件有效性.參考數(shù)據(jù)集：預(yù)先建立的圖書主題空間共包含209個(gè)主題，關(guān)鍵詞空間共包含127536個(gè)關(guān)鍵詞.用戶配置文件：用戶文件基于關(guān)鍵詞空間和主題空間隨機(jī)構(gòu)建，文件包含的關(guān)鍵詞數(shù)量和主題數(shù)量以及敏感主題數(shù)量均為可調(diào)整的實(shí)驗(yàn)參數(shù).參考算法：本文方法將與隨機(jī)方法進(jìn)行比較(隨機(jī)方法中，假冒文件的關(guān)鍵詞從關(guān)鍵詞空間中隨機(jī)選取，關(guān)鍵詞評(píng)分也隨機(jī)設(shè)置，但關(guān)鍵詞數(shù)量與用戶文件保持一致).

第一組實(shí)驗(yàn)評(píng)估假冒文件關(guān)于用戶文件特征相似性.實(shí)驗(yàn)中，用戶文件關(guān)鍵詞數(shù)量被設(shè)定為100到400.實(shí)驗(yàn)結(jié)果如圖2所示，子圖標(biāo)題指示采用相似性度量：子圖1為關(guān)鍵詞特征相似性，即minsimK(P0,Pi)；子圖2為主題特征相似性，即minsimU(P0,Pi)；子圖3為整體特征相似性，即minsimK(P0,Pi)simU(P0,Pi).在圖2中，X軸指示用戶文件包含的關(guān)鍵詞數(shù)量；Y軸指示假冒文件關(guān)于用戶文件的特征相似性；[N]中的N(取值1或3)表示為一個(gè)用戶文件生成的假冒文件數(shù)量.可看出，相比隨機(jī)方法，本文方法構(gòu)建的假冒文件表現(xiàn)出更好的特征相似性.具體地，本文方法構(gòu)建的假冒文件關(guān)于用戶文件的特征相似值接近于1；并且即使在假冒文件數(shù)量、假冒文件包含的關(guān)鍵詞數(shù)量或主題數(shù)量發(fā)生變化情況下，這種良好的特征分布一致性也幾乎毫無變化.而隨機(jī)方法生成的假冒文件與用戶文件之間的整體特征相似值僅在0.2左右，明顯低于本方法，并且隨著假冒文件數(shù)量增加，以及假冒文件包含關(guān)鍵詞數(shù)量增加，特征值還會(huì)隨之進(jìn)一步降低.此外，圖3(X表示評(píng)分值區(qū)間，Y為配置文件中落在該區(qū)間范圍內(nèi)的圖書比例)進(jìn)一步展示了隨機(jī)假冒文件、本文假冒文件和用戶文件的圖書評(píng)分分布.綜上，本文方法產(chǎn)生的假冒文件與用戶文件間具有高度一致的特征，使得攻擊者難以根據(jù)特征排除掉假冒文件，實(shí)現(xiàn)“真假難辨”效果.

圖2 假冒文件特征相似評(píng)估結(jié)果Fig.2 Feature similarity evaluation

圖3 假冒文件特征相似評(píng)估結(jié)果Fig.3 Feature similarity evaluation

第二組評(píng)估假冒文件對(duì)敏感主題掩蓋效果.這里使用敏感主題暴露度，即minu*∈*)exp(u*,{Pi})/exp(u*,P0).實(shí)驗(yàn)結(jié)果如圖4所示，子圖標(biāo)題指示用戶文件的關(guān)鍵詞數(shù)量；X軸指示為一個(gè)用戶文件生成的假冒文件數(shù)量；Y軸指示敏感主題暴露度量值.可看出，本文方法生成的假冒文件能有效地降低用戶敏感主題的暴露度，且改善效果基本與假冒文件數(shù)量正相關(guān)，不會(huì)隨著假冒文件數(shù)量、文件包含的關(guān)鍵詞數(shù)量或敏感主題數(shù)量改變而發(fā)生明顯改變.然而，相比于本文方法，隨機(jī)方法構(gòu)建的假冒文件雖然也能降低用戶敏感主題的暴露度，但它的穩(wěn)定性相對(duì)較差.更重要的是，第一組實(shí)驗(yàn)表明，隨機(jī)方法構(gòu)建的假冒文件與用戶文件的特征相似性很差，容易被攻擊者排除.綜上，本文方法產(chǎn)生的假冒文件能有效降低用戶敏感主題暴露度，實(shí)現(xiàn)“以假亂真”效果.

圖4 敏感主題暴露程度評(píng)估結(jié)果Fig.4 Topic exposure evaluation

5 總 結(jié)

本文設(shè)計(jì)實(shí)現(xiàn)了用戶隱私安全的圖書推薦服務(wù)，其基本思想是：在可信客戶端為用戶文件構(gòu)造一系列假冒文件，然后，逐個(gè)提交給不可信服務(wù)器端的推薦算法，分別獲取推薦結(jié)果，最后，在客戶端過濾掉假冒文件對(duì)應(yīng)的推薦結(jié)果.首先，定義了一個(gè)用戶隱私模型，它形式化描述了客戶端生成的假冒文件應(yīng)滿足約束.然后，借助圖書分類目錄，給出用戶隱私模型的具體實(shí)現(xiàn)算法.最后，理論分析和實(shí)驗(yàn)評(píng)估驗(yàn)證了本文方法的有效性，即能在不損害數(shù)字圖書館平臺(tái)實(shí)用性和圖書推薦結(jié)果準(zhǔn)確性的前提下，有效改善用戶敏感主題隱私在不可信服務(wù)器端的安全性.本文工作雖然以圖書推薦服務(wù)為例，但對(duì)其他推薦服務(wù)同樣具有適用性.