Indexed by：
Abstract：
个性化的推荐需要使用大量的用户数据，尤其是用户在社交媒体上的活动数据，包括评级、签到等，然而，从大量的用户活动数据中，能够推断出用户的隐私数据。在本文中，针对FM推荐算法的特性，提出距离度量KFC，约束数据失真，提出了PrivFM，一个可定制的、连续的、保护隐私的社交媒体数据发布框架，通过扰乱用户发布的活动数据，防止推理攻击，同时保证推荐效用。实验结果表明，相对于其他的隐私保护方法及距离度量，提高了隐私保护与推荐之间的平衡。
Keyword：
Reprint Author's Address：
Email：
Source ：
计算机科学与应用
ISSN： 2161-8801
Year： 2020
Issue： 03
Volume： 10
Page： 427-436
Cited Count：
WoS CC Cited Count： 0
SCOPUS Cited Count：
ESI Highly Cited Papers on the List： 0 Unfold All
WanFang Cited Count： -1
Chinese Cited Count：
30 Days PV： 24
Affiliated Colleges：
