：RBS将用户历史行为记录矩阵的数据分布情况（为0,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sim(u，uj)关0和w(Uj，i)关0的项。
[0028] 步骤三:针对sim(u，u i)判和w(uj，i)判的项，我们采用0T乘法来计算物品的最终 得分，RBS端随机生成= (w(ui，l)=7ER )个环元素^，…彳"，并根据琴=(%， tf =2f**7+Sf分别计算二元组(鎿，彳）(〇 < i〈p)。接下来，SN端根据a(其中a=sim(U4，ui)=15) 的二进制表示利用0T从RBS端中得到蠓。最后，SN端计算，RBS端计算 Ο y = -Ssi，例如，其中x + y=7*15=105,是用户m相似于U4对物品ii的评分。 Μ)
[0029] 步骤四：重复步骤三，RBS和SN端用0Τ乘法的方式计算各自的数据得出向量X和Υ。
[0030] (2) SN和RBS利用0Τ乘法加密机制的性质实现加法秘密共享。具体实施步骤如下： 从上述中可知RBS端加密计算每个人对物品i 1的得分总和= y% + \ + ?_?^，SN 端计算对于U4的相似度\ = \ ，而Yi+Xi=Si,为物品il的最终得分，通过这种 方式可以得到ii到i8的不同得分，而SN与RBS分别持有向量X和Y以这种加法和的形式共享物 品最终得分。
[0031] (3) RBS和SN利用Garbled Circuits合作执行安全的比较过程，最终RBS得到对 %而言的it个推荐结果，具体实施步骤如下： 步骤一：从集合》" = 0^民7力中随机挑选一个物品/ = 5，RBS和SN合作执行安全比较 电路Garbled Circuitsjf;与所有得分进行比较，两方根据得到的大小比较结果交换相 应位置的得分S，最终保证所有比笔小的物品都排在足后面，比馮大的物品都排在馮前 面。并记录物品?得分当前位置; 步骤二：如果当前位置等于*:，则返回当前位置前的物品（0，1，...泳-1)，并将其 推荐给用户； 步骤三:如果当前位置大于it，则从开始位置到当前位置重复执行步骤二，直到 当前位置等于k; 步骤四：如果当前位置infer小于it，则从当前位置到最后位置重复执行步骤二，直到 当前位置等于k。
[0032] 本发明基于不经意传输的社会化推荐方法的有益效果是： 一、 通过使得推荐系统在互相缺乏信任的独立方合作展开，为本技术领域的进步拓展 了空间，具有使用价值，在不泄露任一参与方私有数据的前提下，不经意传输、合作完成个 性化的社会化推荐，通信和计算复杂度都进一步降低，使其实用性大大增强； 二、 通过基于好友关系的推荐，有效地增加推荐的信任度； 三、通过利用社交网络，有效地解决了传统推荐方法的冷启动问题，安全性高、适应性 强。
[0033] 以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发 明说明书内容所作的等效结构或等效流程变换，或直接或间接运用在其它相 关的技术领域，均同理包括在本发明的专利保护范围内。
【主权项】
1. 一种基于不经意传输的社会化推荐方法，其特征在于，步骤包括： (1) 将作为参与方的社交网络服务提供商一端设置为SN、电子商务提供商一端设置为 RBS，用户的社交网络拓扑图设置为Social Graph，SN持有所有用户之间的社交关系网络拓 扑图= ，RBS持有用户历史行为数据^ = 為爲），1/是所有的用户节点集 合，4是用户好友关系的边集合，J是物品ID集合，馬是用户与物品之间的关系集合，:^ 是边馬的权重，设置推荐物品个数为k; (2) 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： (2.1) SN持有所有用户的社交关系数据GF，RBS持有用户历史行为数据6〗，用户历史行为 数据即用户历史购买记录;对于目标用户u，SN可以根据事先确定好的相似度计算方法计算 出sim( U，v)，其中，v是除用户u之外的所有其他用户，而除了用户u以外，一共有m个用户； 当物品为i，SN端持有相似度向量SIM={sim(u，ui)，sim(u，U2)，…，sim(u，u m)}，其表示用户 ui、U2-直到用户um分别相对于用户u的相似度，um表示第m个用户;RBS持有物品i的评分向 量Wi={w(ui，i)，w(U2, i)，…，w(um，i)}，其表示用户ui、U2-直到用户um分别对物品i的评分， Um表示第m个用户;对于目标用户u而言，物品i的推荐得分s(u，i)为对应位积之和;RBS将所 有用户的历史行为数据记录在记录矩阵中，并将记录矩阵的分布情况共享给SN，同样SN也 需要将自己的数据分布情况共享给RBS，即两方只计算simCiviij)矣0和\ν('??μ)矣0 的项，并不是对所有的元素进行0Τ乘法操作，其中，记录矩阵的分布情况为0时，则用户未曾 购买过物品，记录矩阵的分布情况为1时，则用户购买过物品； (2.2) 利用不经意传输协议安全包装自己的数据： (2.2.1) RBS随机生成p = l〇g|R丨个环元素… Sp-i，a表示Social Graph中的某 个用户u与另一个用户之间的相似度值，b表示Hi story Records中物品I的一个用户评分， a，bER，根据蓴分别计算二元组（彳4)，其中，0<i〈P，i为自然数； (2.2.2) SN根据a的二进制表示…利用不经意传输协议从RBS中得到; SN计算，RBS端计算，以此将自己的数据完成安全的封装，得到关于相似 度值得分X，以及关于评分记录得分y; (3) 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和RBS分别持有向量X =(λν x2，…，和Y=Cm…，其中，示客户4 相对于目标用户U对物品1/的评分，以此类推，计算出物品1/的评分，其总和，并且将所有物品的评分总和以上述加法和的形式秘密共享； (4) 比较获得推荐结果：以SN的向量X和RBS的向量Y为输入，SN和RBS利用Garbled Circuits合作实现安全的比较，RBS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。2. 根据权利要求1所述的基于不经意传输的社会化推荐方法，其特征在于，步骤(2)中 的所述不经意传输协议通过简化不经意传输协议系统的计算量，仅计算sim(u，uj)矣0和w (Uj，i)关0的项。3.根据权利要求1所述的基于不经意传输的社会化推荐方法，其特征在于，在步骤(4) 比较获得推荐结果的具体步骤包括:任意挑选用户《末曾访问过的物品?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;两方根据大小 比较结果，交换相应位置的得分S，最终使得所有比馮小的物品都排在馮后面，比馮大的物 品都排在馮前面，每一轮比较结束后，记录物品?当前位置如果当前位置等于 i，则返回当前位置前的物品相应id(0，l，. . .，k-l)，并将其推荐给用户；如果当前位置 大于i，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fc ;如果当 前位置小于Jt，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I:。
【专利摘要】本发明公开了一种基于不经意传输的社会化推荐，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，两端仅计算？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？和的项（两方共享的仅为数据的分布情况，并未涉及两方的数据值信息）；（2）利用OT乘法协议各自完成物品的推荐得分计算,并且RBS和SN仅凭所拥有的计算得分并不能推测出对方的数据。（3）物品的推荐得分由RBS和SN以加法和形式秘密共享；（4）比较获得推荐结果。通过上述方式，本发明基于不经意传输的社会化推荐方法具有计算代价极小、适应性极强、效率极高等优点，在基于不经意传输的社会化推荐方法的普及上有着广泛的市场前景。
【IPC分类】G06F17/30
【公开号】CN105677701
【申请号】CN201510981807
【发明人】刘安, 刘曙曙, 李直旭, 刘冠峰
【申请人】苏州大学
【公开日】2016年6月15日
【申请日】2015年12月24日