第41卷第1期2023年1月广西师范大学学报(自然科学版)JournalofGuangxiNormalUniversity(NaturalScienceEdition)Vol.41No.1Jan.2023DOI:10.16088/j.issn.1001-6600.2022021104http:xuebao.gxnu.edu.cn王利娥,王艺汇,李先贤.POI推荐中的多源数据融合和隐私保护方法[J].广西师范大学学报(自然科学版),2023,41(1):87-101.WANGLE,WANGYH,LIXX.Amulti-sourcedatafusionandprivacyprotectionmethodofPOIrecommendation[J].JournalofGuangxiNormalUniversity(NaturalScienceEdition),2023,41(1):87-101.�POI推荐中的多源数据融合和隐私保护方法王利娥1,2,王艺汇1,李先贤1,2∗(1.广西师范大学计算机科学与工程学院,广西桂林541004;2.广西多源信息挖掘与安全重点实验室(广西师范大学),广西桂林541004)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;联邦学习中图分类号:TP391文献标志码:A文章编号:1001-6600(2023)01-0087-15近年来,基于位置的服务(location-basedserviced,LBS)与移动网络迎来了技术快速发展的时代。LBS技术因其覆盖范围广、定位精度高等特点得到广泛应用。而与此同时,人们的日常生活也越来越离不开一些社交网络的应用,随着基于互联网的社交应用发展,人们的社交圈也逐渐脱离了地理因素的限制。而融合位置信息的社交网络(location-basedsocialnetwork,LBSN)也随...
