拓扑图记为Social Graph，RBS持有所有用户的历史行为数据，即 用户购买物品历史记录，记为Hi story Records，以保证双方私有数据不泄露。
[0014] -种基于不经意传输的社会化推荐方法包括如下步骤： (1)所述SN端和RBS端将用户历史行为记录矩阵的数据分布情况共享给对方： 所述社交网络拓扑图Social Graph包括个性化网页级别记为Personalized PageRank，基于所述社交网络拓扑图Social Graph,由于使用0T乘法直接算出所有用户和 物品之间的乘积所需要的开销太大，因此所述RBS只是将用户的历史行为记录矩阵的数据 分布情况(为〇,用户未曾够买过物品；为1，用户购买过物品）共享给SN，同样SN也需要将自 己数据分布情况共享给RBS，两端仅需计算simfivu^)在0和胃在0的项，从而减少 不必要的计算开销，极大的提高了运行效率。
[0015] (2)利用0T乘法协议安全包装自己的数据： 首先，RBS端随机生成P = l〇g|A| (a，beR )个环元素 SQ，"_，Sw，a表示s〇cial Graph中的某个用户u与另一个用户之间相似度值，b表示Hi story Records中物品I的一个 用户评分，并根据鏐=?，彳分别计算二元组(?°，# )(0 < i〈p)。接下来，SN端根据 a的二进制表利用0T从RBS端中得到If。最后，SN端计算ι = ，RBS端计算 ?-θ Q y=-&，以此将自己的数据完成安全的封装。
[0016] (3)所述两端以加法和形式秘密共享数据，并完成物品的推荐得分计算： SN端和RBS端分别持有向量X和向量Y，其中' ，表示客户Uj相对于用户u m 对物品Ii的评分，以此类推，我们可以计算出物品Ii的评分总和为民=￡\ + 1^，并且我 J=0 们将所有的评分的总和以这种加法和的形式秘密共享;所述不经意传输方法通过οτ乘法系 统SN和RBS端各自生成物品得分X和y，SN端和RBS端仅凭所有的X或y是不能推测出对方的详 细数据的。
[0017] (4)比较获得推荐结果： 以所述SN端的向量X和所述RBS端的向量Y为输入，所述SN端和所述RBS端利用Garbl ed Circuits合作实现安全的比较，最终所述RBS端得到针对当前推荐用户而言的前k个得分最 高的推荐结果，即得到了 k个对推荐用户而言最佳的推荐结果。
[0018] 本发明技术方案将两个参与方分别称为SN和RBS。问题的形式化定义如下:SN持有 所有用户之间的社交关系网络拓扑无向图是所有的用户节点集合，」心是 用户好友关系的边集合;RBS持有用户历史行为数据，J是物品id集合备 是用户与物品之间的关系集合(如购买关系），％是边爲的权重(如购买次数）。两方将基于 前面所阐述的算法，通过合作计算，给目标用户《进行合理的推荐，设置推荐物品个数为k。 推荐过程中，保证双方的私有信息不会泄露。
[0019] 本发明采用不经意传输协议(0T)系统和Garbled Circuits技术，设计出在不泄露 任何参与方私有数据信息的前提下，两参与方合作进行个性化的社会化推荐。方法具体包 括了三个阶段： 第一阶段，如图1所示，利用不经意传输算法，SN和RBS合作计算出每个物品的预测得 分，计算过程中不会泄漏与两参与方输入数据相关的任何信息。在这一阶段中，SN与RBS先 互相交换数据的分布情况（并不是数据的值），两端仅需计算sim(u,辛0和 %('%,〗）#〇的项，以减少不必要的计算。接着，RBS端随机生成Ρ=Ιι?|Λ| (a，bER )个 环元素 SQ，_"，S*1，a表示Social Graph中的某个用户u与另一个用户之间相似度值，b表示 History Records中物品I的一个用户评分，并根据<=令，4 = 23+?分别计算二元组（ <，碌）（0 < i〈P)。接下来，SN端根据a的二进制表示…利用0T从RBS端中得到If。最 后，SN端计算χ = ?碌，RBS端计算，以此将自己的数据完成安全的封装，得到关 i-O i-0 于相似度值得分χ，以及关于评分记录得分y; 第二阶段，如图2所示，SN端和RBS端分别持有向量Χ={*ι，*2，…，和向量Υ=!Λ， )?，…，}，其中勺+ -Vj = % * 6i，表示客户％相对于用户u对物品的评分，以此类 m 推，我们可以计算出物品^?的评分总和为民=+达，并且我们将所有的评分的总和以 j=〇 这种加法和的形式秘密共享； 第三阶段，如图3所示，RBS和SN利用Garbled Circuits合作执行安全的比较过程，最 终RBS得到对当前目标用户《而言的个推荐结果，为了尽量减少比较次数，提高效率， 我们使用快排思想作为比较机制。在这一阶段，任意挑选用户《未曾访问过的物品?作为初 始值，RBS和SN合作执行安全比较电路Garbled Circuits，将爲与所有得分进行比较，保证 比较过程不泄露双方的任何私有信息，两方根据大小比较结果交换相应位置的得分S，最 终保证所有比馮小的物品都排在马后面，比馮大的物品都排在馮前面，每一轮比较结束 后，记录物品?当前位置iaakt。如果当前位置iwfcx等于t，则返回当前位置前的物品相应 fc-：〇，并将其推荐给用户；如果当前位置大于t，则从开始位置到当前 位置重复执行以上步骤，直到当前位置等于Jt ;如果当前位置小于i，则从当前位置 到最后位置重复执行以上步骤，直到当前位置等于t。
[0020] 安全方面:从本发明技术方案可以看出，只需分析两参与方能否通过接收到的另 一方所发送的信息来推断出其私有数据信息，若不能，则可说明方法是安全的。
[0021] 首先分析参与方RBS端的私有信息是否会泄漏。RBS可以得到SN的数据分布情况， 并不是数据值(步骤1中），而根据数据的分布情况并无法确定具体的数值。通过0T乘法，RBS 和SN无法由χ以及y得到a，b的任何信息。步骤5中，RBS和SN利用Garbled Circuits实现安全 的比较，从所有物品得分中挑选出轉A个最高预测得分，基于电路的安全性，我们认为该比 较过程不会泄露任何的私有信息。在本发明的算法执行过程的其他各个步骤中，SN除了最 初的数据分布情况，没有向RBS发送任何数据具体值，综合以上分析可知，在本发明的算法 执行过程中，SN的私有数据没有任何泄露。
[0022] 另一方面，在本发明的执行过程中，除了步骤1的数据分布情况交互和步骤5的安 全比较协议的交互之外，RBS只向SN发送数据，显然，SN只能通过a的二进制表示七… 和= 得到x，由于随机数的干扰，并无法得到RBS的任何私有数据信息，因此，本 H-0 发明的执行过程保证了RBS私有信息不会泄露。所以，基于不经意传输系统和安全比较电路 的安全性，本发明检测过程是安全的，任何参与方的私有数据都不会发生泄露。
[0023]假设RBS是拥有4个用户8个物品的电子商务服务提供商，用户历史行为数据(购买 关系记录)如图4所示，此处用<?,=(￡/3人尽31^)表示J是物品id集合，馬是用户与物品之 间的关系集合(如购买关系），W是边焉的权重(如购买次数XSN持有RBS所有用户之间的 社交关系网络拓扑图6=(仏尽）（无向图），如下图5所示，其中，P是所有的用户节点集 合，」Er是用户好友关系的边集合。
[0024] 两方将通过合作计算，给目标用户％进行合理的推荐，设置推荐物品个数为fc = 2 。推荐过程中，保证双方的私有数据信息不会泄露。
[0025] 本实施例的具体实施步骤如下： 预处理：SN根据社交网络拓扑图每得到用户关系矩阵，（B是用户数 目4);根据珥=(辽HIT,)，RBS得到物品与用户关系倒排表/ = (_?*?)，物是物品 标识i(物品id)，μΛι?是由构成的二元组，_*f是访问过物品i的用户 标识a，是用户《对物品i的购买次数。P是目标用户未曾购买过的所有物品集 合，厂= 01^6,7,均。
[0026] (1)利用不经意传输算法，RBS和SN合作计算出每个物品的预测得分，计算过程中 不会泄露与两参与方输入数据相关的任何信息。具体实施步骤如下： 步骤一：根据关系矩阵通过迭代计算Personal ized PageRank得到针对目标 用户 1? 的一维Personalized PageRank值向量= 。
[0027] 步骤二