-
公开(公告)号：CN109195098A
公开(公告)日：2019-01-11
申请号：CN201810637394.X
申请日：2018-06-20
Applicant: 苏州大学
IPC: H04W4/021 , H04W12/02 , G06F16/9535 , G06F16/9537
Abstract: 本发明公开了一种基于差分隐私的共享协同过滤方法，包括如下步骤：（1）使用差分隐私形成安全的k-最近位置列表；（2）利用共享数据和数据拥有者本身数据预测用户对位置的喜好。通过上述方式，本发明能够在不泄露任一参与方隐私信息的前提下，解决共享协同过滤预测的问题，数据拥有者利用合作者的数据来加强预测结果的准确度，基于隐私保护方法的广泛应用，使得本发明基于差分隐私的共享协同过滤方法具有广泛的市场前景，对对位置隐私保护的进一步推广和研究有着重要意义。
-
Patent Agency Ranking
公开(公告)号：CN110008402A
公开(公告)日：2019-07-12
申请号：CN201910131400.9
申请日：2019-02-22
Applicant: 苏州大学
IPC: G06F16/9535 , G06Q50/00
Abstract: 本发明公开了一种基于社交网络的去中心化矩阵分解的兴趣点推荐方法，包括：(1)将用户浏览兴趣点的签到数据存储在每个用户自己的用户端；(2)用户在自己的用户端训练模型。通过上述方式，本发明基于社交网络的去中心化矩阵分解的兴趣点推荐方法通过将用户对兴趣点的签到数据保存在自己的用户端，并且在用户端进行矩阵分解模型的训练，解决了集中式矩阵分解模型存储和计算资源浪费的问题，不存在用户个人隐私泄露的风险，从而实现了保护隐私、提高安全系数的功能，在基于社交网络的去中心化矩阵分解的兴趣点推荐方法的普及上有着广泛的市场前景。
-
公开(公告)号：CN109376901A
公开(公告)日：2019-02-22
申请号：CN201811043938.6
申请日：2018-09-07
Applicant: 苏州大学
Abstract: 本发明公开了一种基于去中心化矩阵分解的服务质量预测方法，包括以下步骤：（1）建立用户邻接图，（2）确定交互的范围，（3）确定交互的信息，（4）合成并预测QoS值。通过上述方式，本发明基于去中心化矩阵分解的服务质量预测方法通过采用去中心化矩阵分解方法来预测QoS值，解决集中式训练造成的计算资源浪费的问题，此外，每个用户对Web服务的QoS值保存在用户自己手中，从而很好的保护了用户的个人隐私，在基于去中心化矩阵分解的服务质量预测方法的普及上有着广泛的市场前景。
-
公开(公告)号：CN109376901B
公开(公告)日：2021-09-03
申请号：CN201811043938.6
申请日：2018-09-07
Applicant: 苏州大学
Abstract: 本发明公开了一种基于去中心化矩阵分解的服务质量预测方法，包括以下步骤：（1）建立用户邻接图，（2）确定交互的范围，（3）确定交互的信息，（4）合成并预测QoS值。通过上述方式，本发明基于去中心化矩阵分解的服务质量预测方法通过采用去中心化矩阵分解方法来预测QoS值，解决集中式训练造成的计算资源浪费的问题，此外，每个用户对Web服务的QoS值保存在用户自己手中，从而很好的保护了用户的个人隐私，在基于去中心化矩阵分解的服务质量预测方法的普及上有着广泛的市场前景。
-
公开(公告)号：CN109195098B
公开(公告)日：2020-11-03
申请号：CN201810637394.X
申请日：2018-06-20
Applicant: 苏州大学
IPC: H04W4/021 , H04W12/02 , G06F16/9535 , G06F16/9537
Abstract: 本发明公开了一种基于差分隐私的共享协同过滤方法，包括如下步骤：（1）使用差分隐私形成安全的k‑最近位置列表；（2）利用共享数据和数据拥有者本身数据预测用户对位置的喜好。通过上述方式，本发明能够在不泄露任一参与方隐私信息的前提下，解决共享协同过滤预测的问题，数据拥有者利用合作者的数据来加强预测结果的准确度，基于隐私保护方法的广泛应用，使得本发明基于差分隐私的共享协同过滤方法具有广泛的市场前景，对对位置隐私保护的进一步推广和研究有着重要意义。
-
公开(公告)号：CN110008402B
公开(公告)日：2021-09-03
申请号：CN201910131400.9
申请日：2019-02-22
Applicant: 苏州大学
IPC: G06F16/9535 , G06F16/9536 , G06Q50/00
Abstract: 本发明公开了一种基于社交网络的去中心化矩阵分解的兴趣点推荐方法，包括：(1)将用户浏览兴趣点的签到数据存储在每个用户自己的用户端；(2)用户在自己的用户端训练模型。通过上述方式，本发明基于社交网络的去中心化矩阵分解的兴趣点推荐方法通过将用户对兴趣点的签到数据保存在自己的用户端，并且在用户端进行矩阵分解模型的训练，解决了集中式矩阵分解模型存储和计算资源浪费的问题，不存在用户个人隐私泄露的风险，从而实现了保护隐私、提高安全系数的功能，在基于社交网络的去中心化矩阵分解的兴趣点推荐方法的普及上有着广泛的市场前景。
-
-
-
-
-
Search Results
6
records
(took 0.016 seconds)
