Originally published at: 图嵌入模型中跨域关联隐私融合算法 – RSS News
传统的基于图嵌入模型的个性化推荐方法,存在数据稀疏和推荐效果差的问题,跨域关联可以有效缓解数据稀疏情况下的推荐精度;而现有的个性化推荐方法通常需要依赖用户的大量个人信息,存在隐私泄露的风险.为了解决上述问题,提出一种基于图嵌入的跨域关联隐私保护模型(Privacy-Preserving Graph Embedding Model Based on Cross-Domain Associations,PPGEM-BCDA).首先,对数据进行分组并利用卷积神经网络进行跨域关联;其次,采用GraphSage模型对数据集进行图嵌入学习;最后,为了保护用户的隐私,引入差分隐私机制,在聚合过程中添加拉普拉斯噪声.在Amazon数据集上进行的实验证明,所提出的方法在推荐结果准确性和用户隐私保护方面取得了有效的平衡,相较于对比方法表现更出色.传统的基于图嵌入模型的个性化推荐方法,存在数据稀疏和推荐效果差的问题,跨域关联可以有效缓解数据稀疏情况下的推荐精度;而现有的个性化推荐方法通常需要依赖用户的大量个人信息,存在隐私泄露的风险.为了解决上述问题,提出一种基于图嵌入的跨域关联隐私保护模型(Privacy-Preserving Graph Embedding Model Based on Cross-Domain Associations,PPGEM-BCDA).首先,对数据进行分组并利用卷积神经网络进行跨域关联;其次,采用GraphSage模型对数据集进行图嵌入学习;最后,为了保护用户的隐私,引入差分隐私机制,在聚合过程中添加拉普拉斯噪声.在Amazon数据集上进行的实验证明,所提出的方法在推荐结果准确性和用户隐私保护方面取得了有效的平衡,相较于对比方法表现更出色. Read More