12、跨领域旅游服务推荐与无限流数据差分隐私保护

跨领域旅游服务推荐与无限流数据差分隐私保护

在当今数字化时代，数据的应用和保护变得至关重要。一方面，旅游服务推荐需要利用大量数据为用户提供精准的服务；另一方面，数据的隐私保护也成为了不可忽视的问题。本文将介绍跨领域旅游服务推荐模型 ExHMF，以及一种用于无限流数据的差分隐私保护方法 G - event。

跨领域旅游服务推荐模型 ExHMF

在旅游服务推荐领域，数据稀疏性是一个常见的问题。为了解决这个问题，研究人员提出了 ExHMF 模型。该模型通过结合显式和潜在特征对异构矩阵分解进行扩展，用于旅游服务推荐。

在不同数据稀疏性条件下，研究人员对使用 BPR 优化准则的模型性能进行了研究。实验结果表明，无论数据集有多稀疏，ExHMF 方法都优于其他基线方法。GcHMF 方法在大多数情况下与 HeteroMF 方法表现相似，但在只有 1 个观测评分可用的情况下有所不同。总体实验结果验证了 ExHMF 模型通过扩展 HeteroMF 并结合显式特征，可以获得显著的性能提升。

无限流数据差分隐私保护方法 G - event

随着互联网技术的快速发展，以隐私保护的方式发布实时统计数据成为了一个重要的研究方向。当前，用于数据流差分隐私保护的先进范式是 w - event 隐私，但它存在一些问题。当数据集中只有少量元素随时间变化，而其他元素基本稳定时，处理指定时间戳内的所有用户数据会带来额外的噪声，降低数据的效用。

为了解决这个问题，研究人员提出了一种名为 G - event 的隐私保护方法。该方法遵循传统的 w - event 差分隐私使用方式，通过计算差异对每个时间戳的统计结果进行分组。差异较大的组将比相似的组更频繁地发布。通