一种基于对抗学习的高鲁棒隐私保护推荐方法

摘要

本发明提供了一种基于对抗学习的高鲁棒隐私保护推荐方法。该方法包括：构建用于优化神经协同过滤模型所需的训练集，以及用于训练成员推理模型所需的参考集；设计带有成员推理正则项的神经协同过滤联合模型，并利用上述训练集与参考集对联合模型进行对抗训练方式的迭代优化，得到鲁棒的用户和物品特征表示矩阵；根据得到的用户特征矩阵与物品特征矩阵对未观测评分进行预测；将预测分值较高且未产生行为的相应物品集推荐给对应用户。本发明通过对抗训练的方式设计统一的最小最大化目标函数来显式的赋予推荐算法防御成员推理攻击的能力，进而能够防御成员推理攻击和缓解推荐模型过拟合，实现个性化推荐模型算法性能和训练数据隐私保护的双向提升。