传统的基于邻居的推荐系统：

（1）选出目标人的K个最近邻居

（2）预测评分

 

提出了PPMR算法

包括两个隐私操作：

（1）隐私的邻居选择：用的K-匿名算法，意味着邻居是根据目标人的相似度被秘密选择的。防止患者医疗信息受到攻击。

（2）基于邻域的差分隐私推荐：增强推荐功能

 

3 提出的方法（PPMR）

3.2  隐私的邻居选择

目的：私密地从候选者列表中选择k个邻居

3.2.1  去识别

算法：最优格点匿名化（Optimal Lattice Anonymization ，OLA）

与当前的去识别算法相比，它可以减少信息丢失，并且在医疗数据集中具有更快的性能。

结果：为最优解，因此，患者PG的性别可以是“男性”或“女性”，年龄PA可以是“0-4”，“5-9”，“10-14”等。入院日期PD可以是“2017” “，”2016“，”2015“等。

3.2.2  计算患者之间的相似度

3.2.3  选择最近邻居

从列表中选择K个最近邻居。

 

3.3 差分隐私推荐系统

（1）根据K个邻居预测出患者对药品的评分

（2）对评分结果加噪（指数机制）

（3）根据评分高低选出前n个推荐给患者

 

4 实验

PPMR算法和传统的非隐私保护的CF算法做对比

PPMR的表现非常接近非私人基线的表现，精确度损失不超过5％。这表明PPMR可以保持推荐的准确性，同时为个人提供全面的隐私。

 

创新点：

（1）新的去识别K-匿名算法

（2）第一项将协同过滤隐私保护与医疗结合的研究