社交网络链路预测的个性化隐私保护方法

被引：13

作者：

孟绪颖 ^{[1
,2
]}

张琦佳 ^{[1
,2
]}

张瀚文 ^{[1
,2
]}

张玉军 ^{[1
,2
]}

赵庆林 ^{[3
]}

机构：

[1] 中国科学院计算技术研究所

[2] 中国科学院大学

[3] 澳门科技大学

来源：

计算机研究与发展 | 2019年 / 06期

关键词：

链路预测; 社交网络; 隐私保护; 个性化; 差分隐私;

D O I：

暂无

中图分类号：

TP309 [安全保密];

学科分类号：

081201 ; 0839 ; 1402 ;

摘要：

链路预测(link prediction)是社交网络中社交关系预测和推荐的重要手段,然而链路预测过程中需要大量用户个人信息,带来了极大的隐私泄露的危险.用户很可能拒绝提供链路预测需要的信息,这将导致链路预测效果的下降,从而会进一步伤害用户体验.为了打消用户隐私泄露的顾虑,激励用户为链路预测提供更多的数据,提出了一种社交网络链路预测的个性化隐私保护方法.摆脱了对服务商的完全依赖,让用户和服务商共同合作来完成链路预测;为敏感信息和非敏感信息添加不同强度的噪声干扰,保护敏感链路不被泄露的同时维持较好的链路预测效果;并根据用户个性化的隐私设置,保证用户的敏感链路不会被公开的非敏感链路反推.最后,理论证明了提出的方法可以满足ε-差分隐私,并在真实数据集上验证了PrivLP能够在维持较高的链路预测准确性的前提下有效提升隐私保护效果.

引用

页码：1244 / 1251

页数：8

共 3 条

[1] 差分隐私保护下一种精确挖掘top-k频繁模式方法 [J].

张啸剑 ;

王淼 ;

孟小峰 .

计算机研究与发展, 2014, (01) :104-114

[2] Privacy-Preserving Friendship-Based Recommender Systems [J].

Tang, Qiang ;

Wang, Jun .

IEEE TRANSACTIONS ON DEPENDABLE AND SECURE COMPUTING, 2018, 15 (05) :784-796

[3]

Improving business rating predictions using graph based features .2 Tiroshi A,Berkovsky S,Kaafar M et al. Proc of the 19th Int Conf on Intelligent User Interfaces . 2014

← 1 →