融合知识图谱和差分隐私的新闻推荐方法

摘要：

针对现有融合知识图谱和隐私保护的推荐方法不能有效平衡差分隐私(DP)噪声与推荐系统性能的问题,提出了一种融合知识图谱和隐私保护的新闻推荐方法(KGPNRec).首先,采用多通道知识感知的卷积神经网络(KCNN)模型融合新闻标题、知识图谱中实体和实体上下文等多维度的特征向量,以提高推荐的准确度;其次,利用注意力机制为不同敏感程度的特征向量添加不同程度的噪声,从而降低噪声对数据分析的影响;然后,对加权的用户特征向量添加统一的拉普拉斯噪声,以保证用户数据的安全性;最后,在真实的新闻数据集上进行实验分析.实验结果表明,与隐私保护的多任务推荐方法(PPMTF)和基于深度知识感知网络(DKN)的推荐方法等相比,所提KGPNRec在保护用户隐私的同时能保证方法的预测性能.在Bing News数据集上,所提方法的曲线下面积(AUC)值、准确率和F1分数与PPMTF相比分别提高了0.019、0.034和0.034.

关键词：知识图谱、差分隐私、推荐系统、新闻、卷积神经网络

所属期刊栏目：42

分类号：TP309(计算技术、计算机技术)

资助基金：广西自然科学基金资助项目;广西多源信息挖掘与安全重点实验室系统性研究课题基金资助项目;广西师范大学院级研究生创新项目

在线出版日期：2022-06-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：1339-1346