一种基于差分隐私的隐式矩阵分解的梯度扰动优化方法

本发明涉及一种基于差分隐私的隐式矩阵分解的梯度扰动优化方法，属于计算机推荐系统领域和信息安全领域。使用由0和1组成的隐式反馈矩阵表示用户对项目的反馈数据，其中0表示负反馈，1表示正反馈。随机初始化用户隐因子矩阵W、项目隐因子矩阵H。构建数据集和目标函数L(W,H)，采用基于贝叶斯个性化排序的矩阵分解方法，优化并求解W和H，并保存结果W。利用训练好的W，再随机初始化加噪项目隐因子矩阵和初始记录矩阵并将W代入L(W,H)，构建关于的目标函数计算关于的梯度并将梯度利用裁剪阈值C进行裁剪，利用整体mse计算公式，求得最优得到每一轮训练中隐私预算大小λt，然后利用λt以及梯度的敏感度对于梯度进行扰动得到在聚合得到累积梯度和利用累积梯度和去更新项目隐因子矩阵重复更新的过程得到最后的项目隐因子矩阵分发给每位用户，用户u在其设备上计算预测值根据预测值对未观察到的交互项按降序排列，最后从中选择前K个项目推荐给用户u。本发明具有良好的隐私保护性和模型准确性。