POI推荐中的多源数据融合和隐私保护方法

摘要

随着移动定位技术的发展，兴趣点(point-of-interest, POI)推荐技术已经成为推荐领域中的研究热点之一。受限于用户的签到能力，POI推荐中存在严重的数据稀疏问题，而融合多源数据的POI推荐又面临着多重隐私挑战。涉及多来源的数据具有多样性、多元性等隐私特征，隐私泄漏机理更为复杂多样，其隐私保护问题更具挑战性。为此，本文提出一种基于注意力机制和隐私保护的多源POI推荐——MultiAM&PP＿POI,能够在保护隐私的前提下有效提高POI推荐的精度。为了实现数据的有效融合，本文采用LDA主题模型提取用户在不同领域中的潜在特征，并利用注意力机制来自适应地训练，学习不同领域的潜在特征对POI推荐结果的影响，同时利用多层感知器来实现不同领域潜在特征的迁移。针对多源POI推荐中的隐私问题，本文利用联邦学习框架将原始数据保存在本地，各参与方只需交互加密后的潜在特征，并改进了注意力机制和多层感知器，使其可在密文状态下完成训练，以保护用户隐私的安全。最后通过实验验证，本文模型能够在保护用户隐私前提下，相比单源联邦模型和其他跨域模型，在推荐精度方面分别提升3.05和4.42个百分点。

关键词

兴趣点推荐 / 多源融合 / 注意力机制 / 隐私保护 / 联邦学习

基金资助

国家自然科学基金(U21A20474,62262003); 广西科技计划项目(桂科AA22067070,桂科AD21220114); 广西自然科学基金(2020GXNSFAA297075); “八桂学者”工程专项; 广西大数据智能与应用人才小高地项目; 广西应用数学中心(广西师范大学)项目; 广西区域多源信息集成与智能处理协同创新中心项目; 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(19-A-02-02)