孟绪颖^1,2，张琦佳^1,2，张瀚文^1,2，张玉军^1,2，赵庆林³

¹（中国科学院计算技术研究所 北京 100190）；²（中国科学院大学 北京 100049）；³（澳门科技大学 澳门 519020) (mengxuying@ict.ac.cn)

出版日期: 2019-06-01


基金资助:国家自然科学基金项目(61672500,61572474,61872452,61872451)；国家国际科技合作专项项目(2016YFE0121500)；FDCT-MOST项目(001/2015/AMJ)

Personalized Privacy Preserving Link Prediction in Social Networks

Meng Xuying^1,2, Zhang Qijia^1,2, Zhang Hanwen^1,2, Zhang Yujun^1,2， Zhao Qinglin³

¹（Institute of Computing Technology, Chinese Academy of Sciences, Beijing 100190）；²（University of Chinese Academy of Sciences, Beijing 100049) 3 (Macau University of Science and Technology, Macau 519020)

Online: 2019-06-01


Supported by:This work was supported by the National Natural Science Foundation of China (61672500, 61572474, 61872452, 61872451), the International S&T Cooperation Program of China (2016YFE0121500), and the FDCT-MOST Projects (001/2015/AMJ).

摘要/Abstract

摘要： 链路预测(link prediction)是社交网络中社交关系预测和推荐的重要手段，然而链路预测过程中需要大量用户个人信息，带来了极大的隐私泄露的危险.用户很可能拒绝提供链路预测需要的信息，这将导致链路预测效果的下降，从而会进一步伤害用户体验.为了打消用户隐私泄露的顾虑，激励用户为链路预测提供更多的数据，提出了一种社交网络链路预测的个性化隐私保护方法.摆脱了对服务商的完全依赖，让用户和服务商共同合作来完成链路预测；为敏感信息和非敏感信息添加不同强度的噪声干扰，保护敏感链路不被泄露的同时维持较好的链路预测效果；并根据用户个性化的隐私设置，保证用户的敏感链路不会被公开的非敏感链路反推.最后，理论证明了提出的方法可以满足ε-差分隐私，并在真实数据集上验证了PrivLP能够在维持较高的链路预测准确性的前提下有效提升隐私保护效果.

参考文献

相关文章 15

[1]	张啸剑, 徐雅鑫, 付楠, 孟小峰. 基于直方图的隐私键-值数据收集算法[J]. 计算机研究与发展, 2021, 58(3): 624-637.
[2]	孟小峰, 刘立新. 基于区块链的数据透明化：问题与挑战[J]. 计算机研究与发展, 2021, 58(2): 237-252.
[3]	陈亦琦, 钱铁云, 李万理, 梁贻乐. 基于复合关系图卷积的属性网络嵌入方法[J]. 计算机研究与发展, 2020, 57(8): 1674-1682.
[4]	孙肖依, 刘华锋, 景丽萍, 于剑. 基于列表级排序的深度生成推荐方法[J]. 计算机研究与发展, 2020, 57(8): 1697-1706.
[5]	李梦莹, 王晓东, 阮书岚, 张琨, 刘淇. 基于双路注意力机制的学生成绩预测模型[J]. 计算机研究与发展, 2020, 57(8): 1729-1740.
[6]	于亚新, 刘梦, 张宏宇. Twitter社交网络用户行为理解及个性化服务推荐算法研究[J]. 计算机研究与发展, 2020, 57(7): 1369-1380.
[7]	刘子图, 全紫薇, 毛如柏, 刘勇, 朱敬华. NT-EP：一种无拓扑结构的社交消息传播范围预测方法[J]. 计算机研究与发展, 2020, 57(6): 1312-1322.
[8]	罗浩, 闫光辉, 张萌, 包峻波, 李俊成, 刘婷, 杨波, 魏军. 融合多元信息的多关系社交网络节点重要性研究[J]. 计算机研究与发展, 2020, 57(5): 954-970.
[9]	王会勇, 唐士杰, 丁勇, 王玉珏, 李佳慧. 生物特征识别模板保护综述[J]. 计算机研究与发展, 2020, 57(5): 1003-1021.
[10]	黄克振, 连一峰, 冯登国, 张海霞, 刘玉岭, 马向亮. 基于区块链的网络安全威胁情报共享模型[J]. 计算机研究与发展, 2020, 57(4): 836-846.
[11]	张啸剑, 付楠, 孟小峰. 基于本地差分隐私的空间范围查询方法[J]. 计算机研究与发展, 2020, 57(4): 847-858.
[12]	王斌, 张磊, 张国印. 敏感渐进不可区分的位置隐私保护[J]. 计算机研究与发展, 2020, 57(3): 616-630.
[13]	刘俊旭, 孟小峰. 机器学习的隐私保护研究综述[J]. 计算机研究与发展, 2020, 57(2): 346-362.
[14]	黄海平, 张东军, 王凯, 朱毅凯, 王汝传. 带权值的大规模社交网络数据隐私保护方法[J]. 计算机研究与发展, 2020, 57(2): 363-377.
[15]	于亚新, 张文超, 李振国, 李莹. 基于超图的EBSN个性化推荐及优化算法[J]. 计算机研究与发展, 2020, 57(12): 2556-2570.

PDF全文下载地址:

https://crad.ict.ac.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=3948