Resumen

La tecnología de filtrado colaborativo se ha utilizado ampliamente en los sistemas de recomendación, y su aplicación se apoya en la gran cantidad de datos reales y fiables de los usuarios de la era de los macrodatos. Sin embargo, con el aumento de la concienciación sobre la seguridad de la información de los usuarios, estos datos se reducen o la calidad de los mismos empeora. La descomposición del valor singular (SVD) es uno de los métodos de factorización de matrices más utilizados en el filtrado colaborativo, que introduce la información de sesgo de los usuarios y los elementos y se realiza mediante la extracción algebraica de características. El modelo derivado SVD de SVD logra una mejor precisión predictiva debido a la adición de información de retroalimentación implícita. La privacidad diferencial se define de forma muy estricta y puede demostrarse, lo que se ha convertido en una medida eficaz para resolver el problema de los atacantes que deducen indirectamente la información de privacidad personal mediante el uso de conocimiento de fondo. En este artículo, la privacidad diferencial se aplica al modelo SVD mediante tres enfoques: perturbación del gradiente, perturbación de la función objetivo y perturbación de la salida. Mediante la derivación teórica y la verificación experimental, los nuevos algoritmos propuestos pueden proteger mejor la privacidad de los datos originales sobre la base de garantizar la precisión predictiva. Además, se ofrece un esquema eficaz que permite medir la fuerza de la protección de la privacidad y la precisión predictiva, y se proporciona un rango razonable para la selección del parámetro de privacidad diferencial.

• Materias:Álgebra Análisis Matemático Ingeniería Matemática aplicada Lógica matemática
• Subjects:Algebra Mathematical Analysis Engineering Applied Mathematics Mathematical logic
• Palabras claves:Filtrado colaborativo; sistema de recomendación; descomposición de valores singulares (SVD); factorización de matrices; privacidad diferencial; precisión predictiva.
• Keywords:Collaborative filtering; recommender system; Singular Value Decomposition (SVD); matrix factorization; differential privacy; predictive accuracy