一种基于生成对抗网络的用户私有属性匿名化方法与流程

1.本发明涉及推荐系统和深度学习技术领域，具体涉及一种基于生成对抗网络的用户私有属性匿名化方法。


背景技术：

2.对于各种在线服务提供商，如亚马逊和youtube，推荐系统已经成为缓解信息过载问题的重要技术。近年来，基于协同过滤(cf)的推荐方法在通过建模用户-物品交互行为来学习用户和物品表示方面取得了巨大成功。然而，当交互稀疏时，它们的性能往往不令人满意。为了解决这个问题，一个有效的解决方案是利用边信息，如用户和物品属性，这为用户偏好和特征建模提供了额外的丰富信息。许多现有的方法已经充分利用了用户和物品属性，因为它们为用户和物品提供了重要和简明的信息。例如，基于因式分解机(fms)的模型通过其因式分解向量的内积对属性之间的二阶交互进行建模。wide&deep结合了深度神经网络和线性模型进行推荐，其中深度部分是一个多层感知器(mlp),连接特征嵌入向量以学习特征交互。随着gcn技术的发展，它也被用来描述推荐中用户/物品和属性之间的交互。例如，a2-gcn通过对使用用户、物品和属性节点构建的图执行图卷积运算来加强用户和物品表示学习。它在整合属性以模拟用户对推荐系统的偏好方面取得了巨大的成功。
3.尽管属性感知推荐模型取得了成功，但在收集用户私有属性时存在两个关键问题。一方面，在收集用户的私有属性数据以提高推荐模型的性能时，存在隐私泄露的风险。此外，由于许多个人、社会和财务原因，用户的属性数据通常是高度隐私的。另一方面，将用户私有属性结合到推荐模型中可能会引入有害的的噪声信息，因为从个体用户收集的属性值可能不总是与用户行为中编码的属性信息一致。


技术实现要素：

4.本发明为了克服以上技术的不足，提供了一种保证模型性能的同时也匿名化用户的私有属性的方法。
5.本发明克服其技术问题所采用的技术方案是：
6.一种基于生成对抗网络的用户私有属性匿名化方法，包括如下步骤：
7.a)在电影数据集中通过预处理得到训练集和测试集；
8.b)利用训练集中用户和物品数据预训练得到生成器中的用户的嵌入信息利用训练集中用户、物品和每个用户对应的私有属性预训练得到判别器中的用户的嵌入信息和属性信息
9.c)根据用户的嵌入信息在生成器中计算得到用户的匿名属性集合
10.d)根据用户的嵌入信息和属性信息在判别器中计算得到用户嵌入和用户嵌入计算用户嵌入和用户嵌入的损失函数
11.e)计算模型总损失利用模型总损失通过adam优化器优化生成器和判别器的参数；
12.f)利用优化后的生成器，得到生成的匿名属性数据
13.优选的，步骤a)中的电影数据集为movielens电影数据集。
14.进一步的，步骤a)中在movielens电影数据集中将用户所交互过的物品按照留一法进行划分，每个用户的最后一次互动被保留下来作为测试集，其余的数据作为训练集。
15.进一步的，步骤b)包括如下步骤：
16.b-1)训练集中包括n个用户及m个物品，n个用户构成用户集合u，m个物品构成物品集合v，将用户集合u和物品集合v构建交互矩阵rn×m，每个用户均关联3个属性标签a1、a2、a3，属性标签a1表示描述用户的年龄私有属性，属性标签a2表示描述用户的性别私有属性，属性标签a3表示描述用户的职业私有属性，第u个用户对于属性标签生成的匿名属性集合为u∈u，i∈1,2,3；
17.b-2)对movielens电影数据集中的用户集合u使用xavier初始化方法进行嵌入参数初始化，构建用户嵌入矩阵数初始化，构建用户嵌入矩阵为实数空间，d为嵌入维度，嵌入大小设置为64，用户嵌入矩阵中的第k行为第k个用户的嵌入信息，k∈{1,2,
…
,n}，对movielens电影数据集中的物品集合v使用xavier初始化方法进行嵌入参数初始化，构建物品嵌入矩阵嵌入大小设置为64，物品嵌入矩阵中第k行为第k个物品的嵌入信息，k∈{1,2,
…
,m}，对movielens电影数据集中的属性集合使用xavier初始化方法进行嵌入参数初始化，构建属性嵌入矩阵嵌入大小设置为64，为属性标签ai,i∈1,2,3的数量，属性嵌入矩阵中第k行为在属性标签ai中第k个属性的嵌入信息，
18.b-3)通过公式计算得到生成器中第u个用户的嵌入信息式中one_hot(u)为将第u个用户的id信息表示为one_hot向量，通过公式计算得到判别器中第u个用户的嵌入信息
19.b-4)通过公式计算得到生成器中第v个物品的嵌入信息v∈v，式中one_hot(v)为将第v个物品的id信息表示为one_hot向量，通过公式计算得到判别器中第v个物品的嵌入信息
20.b-5)通过公式计算得到判别器中属性标签ai的嵌入信息式中one_hot(ai)为将第属性标签ai的类别信息表示为one_hot向量；
21.b-6)通过公式
[0022][0023]
预训练计算损失函数得到生成器中的用户的嵌入信息式中o为训练集，r+
为观察到第u个用户和第v个物品之间存在的交互行为集合，r-为未观察到第u个用户和第v个物品之间存在的交互行为集合，t为转置，为在生成器中随机从用户交互的物品中抽取的正样本，为在生成器中随机从用户未交互的物品中抽取的负样本，为sigmoid激活函数，λ为正则化权重系数，θ为模型参数，||
·
||2为l2范数；
[0024]
b-7)通过公式
[0025][0026]
预训练计算损失函数得到判别器中的用户的嵌入信息和属性信息f(
·
)为融合函数，为在判别器中随机从用户交互的物品中抽取的正样本，为在判别器中随机从用户未交互的物品中抽取的负样本。
[0027]
进一步的，步骤b-7)中或
[0028]
或
[0029][0030]
进一步的，步骤c)包括如下步骤：
[0031]
c-1)通过公式计算得到潜在空间y
mlp
，式中σ(
·
)为tanh激活函数，w
x
为3层感知机mlp的第x层的权重矩阵，x＝1,2,3，b
x
为3层感知机mlp的第x层的偏差；
[0032]
c-2)通过公式计算得到用户的匿名属性集合式中concat(
·
)为拼接函数，
[0033]
[0034][0035]
ζ为阈值，δ(
·
)为sigmoid函数，-logδ(y
mlp
)k为-logδ(y
mlp
)的第k维，-logδ(y
mlp
)j为-logδ(y
mlp
)的第j维；
[0036]
c-3)通过公式计算得到匿名属性集合长度损失式中δ1为值设定为全1向量并表示为目标标签的生成集合，c-4)通过公式计算得到年龄匿名属性语义组长度损失式中δ2为值设定为每个语义组的长度并表示为目标语义组标签，mg为语义组的数量，mg＝3，g为值设定为对应语义组全1向量并表示为分组矩阵，
[0037]
c-5)通过公式计算得到生成器最终的损失函数式中λ
l
和λs均为权重系数。
[0038]
进一步的，步骤d)包括如下步骤：
[0039]
d-1)通过公式计算得到第u个用户的嵌入信息与嵌入信息融合后的用户嵌入
[0040]
d-2)通过公式计算得到生成的匿名属性数据式中为第u个用户在属性标签ai生成的匿名属性集合中对应的属性嵌入集合的数量，为属性嵌入矩阵；
[0041]
d-3)通过公式计算得到第u个用户的嵌入信息与匿名属性数据融合后的用户嵌入
[0042]
d-4)通过公式计算得到判别器最终的损失函数
[0043]
进一步的，步骤e)中通过公式计算得到模型总损失
[0044]
进一步的，步骤f)包括如下步骤：
[0045]
f-1)利用优化后的生成器，重复执行步骤c-1)计算得到潜在空间y
′
mlp
；
[0046]
f-2)将潜在空间y
′
mlp
替代步骤c-2)中的y
mlp
，重复执行步骤c-2)计算得到用户的匿名属性集合
[0047]
f-3)将用户的匿名属性集合替代步骤d-2)中的重复执行步骤d-2)计算得到生成的匿名属性数据f-4)使用生成的匿名属性数据对用户推荐感兴趣的物品。
[0048]
本发明的有益效果是：基于生成对抗网络的用户私有属性匿名化方法由生成器和判别器组成，生成器为每个用户创建个性化的属性集以匿名化私人属性。与此同时，为了维护生成的属性集(匿名化属性)的效用，判别器被设计成可以最小化生成的属性集和用户的原始属性之间的差异。由于生成的用户匿名化私有属性既考虑了隐私性也考虑了可用性，运用在属性感知推荐模型上既可以保证模型性能，也可以保护用户的私有属性不被泄露。
附图说明
[0049]
图1为本发明的方法流程图
[0050]
图2为本发明的用户私有属性匿名化生成对抗网络图。
具体实施方式
[0051]
下面结合附图1、附图2对本发明做进一步说明。
[0052]
一种基于生成对抗网络的用户私有属性匿名化方法，包括如下步骤：
[0053]
a)在电影数据集中通过预处理得到训练集和测试集。
[0054]
b)利用训练集中用户和物品数据预训练得到生成器中的用户的嵌入信息利用训练集中用户、物品和每个用户对应的私有属性预训练得到判别器中的用户的嵌入信息和属性信息
[0055]
c)根据用户的嵌入信息在生成器中计算得到用户的匿名属性集合
[0056]
d)根据用户的嵌入信息和属性信息在判别器中计算得到用户嵌入和用户嵌入计算用户嵌入和用户嵌入的损失函数
[0057]
e)计算模型总损失利用模型总损失通过adam优化器优化生成器和判别器的参数。
[0058]
f)利用优化后的生成器，得到生成的匿名属性数据首先利用用户/物品交互数据预训练生成器的用户信息以及利用用户/物品和用户私有属性数据预训练判别器的用户信息和属性信息。生成器中的用户信息含有用户丰富的偏好，生成器为每个用户创建个
性化的属性集以匿名化私人属性。判别器主要利用用户及其属性信息的融合后的信息，它可以最小化生成的属性集和用户的原始属性之间的差异以维护生成的属性集(匿名化属性)的效用。由于生成的用户匿名化私有属性既考虑了隐私性也考虑了可用性，运用在属性感知推荐模型上既可以保证模型性能，也可以保护用户的私有属性不被泄露。
[0059]
属性感知推荐系统中一种基于生成对抗网络的用户私有属性匿名化方法。用户属性，例如年龄、性别和职业，包含有价值的个人信息，这些信息已经在现有的推荐系统中广泛使用，以提高它们的性能。然而，当直接与组织共享私有属性或向公众发布时，存在隐私泄露的风险。另一方面，将用户私有属性结合到推荐模型中可能会引入有害的的噪声信息，因为从个体用户收集的属性值可能不总是与用户行为中编码的属性信息一致。提出的用户私有属性匿名化生成对抗网络中生成器为每个用户创建个性化的属性集以匿名化私人属性，同时判别器最小化生成的属性集和用户的原始属性之间的差异以维护生成的属性集(匿名化属性)的效用。由于生成的用户匿名化私有属性既考虑了隐私性也考虑了可用性，运用在属性感知推荐模型上既可以保证模型性能，也可以保护用户的私有属性不被泄露。
[0060]
实施例1：
[0061]
步骤a)中的电影数据集为movielens电影数据集。
[0062]
实施例2：
[0063]
步骤a)中在movielens电影数据集中将用户所交互过的物品按照留一法进行划分，每个用户的最后一次互动被保留下来作为测试集，其余的数据作为训练集。更具体地说，每个用户的最后一次互动被保留下来用于测试，其余的数据被用作训练集。属性感知推荐模型也使用该数据集。
[0064]
实施例3：
[0065]
步骤b)包括如下步骤：
[0066]
b-1)训练集中包括n个用户及m个物品，n个用户构成用户集合u，m个物品构成物品集合v，将用户集合u和物品集合v构建交互矩阵rn×m，每个用户均关联3个属性标签a1、a2、a3，属性标签a1表示描述用户的年龄私有属性，属性标签a2表示描述用户的性别私有属性，属性标签a3表示描述用户的职业私有属性，第u个用户对于属性标签生成的匿名属性集合为u∈u，i∈1,2,3。
[0067]
b-2)对movielens电影数据集中的用户集合u使用xavier初始化方法进行嵌入参数初始化，构建用户嵌入矩阵数初始化，构建用户嵌入矩阵为实数空间，d为嵌入维度，嵌入大小设置为64，用户嵌入矩阵中的第k行为第k个用户的嵌入信息，k∈{1,2,
…
,n}，对movielens电影数据集中的物品集合v使用xavier初始化方法进行嵌入参数初始化，构建物品嵌入矩阵嵌入大小设置为64，物品嵌入矩阵中第k行为第k个物品的嵌入信息，k∈{1,2,
…
,m}，对movielens电影数据集中的属性集合使用xavier初始化方法进行嵌入参数初始化，构建属性嵌入矩阵嵌入大小设置为64，为属性标签ai,i∈1,2,3的数量，属性嵌入矩阵中第k行为在属性标签ai中第k个属性的嵌入信息，
[0068]
b-3)通过公式计算得到生成器中第u个用户的嵌入信息式中one_hot(u)为将第u个用户的id信息表示为one_hot向量，通过公式计算得到判别器中第u个用户的嵌入信息这个操作的目的是为了通过把用户id信息转化为可用的嵌入向量。
[0069]
b-4)通过公式计算得到生成器中第v个物品的嵌入信息v∈v，式中one_hot(v)为将第v个物品的id信息表示为one_hot向量，通过公式计算得到判别器中第v个物品的嵌入信息这个操作的目的是为了通过把物品id信息转化为可用的嵌入向量。
[0070]
b-5)通过公式计算得到判别器中属性标签ai的嵌入信息式中one_hot(ai)为将第属性标签ai的类别信息表示为one_hot向量。这个操作的目的是为了通过把属性信息转化为可用的嵌入向量。
[0071]
b-6)通过公式
[0072][0073]
预训练计算损失函数得到生成器中的用户的嵌入信息式中o为训练集，r
+
为观察到第u个用户和第v个物品之间存在的交互行为集合，r-为未观察到第u个用户和第v个物品之间存在的交互行为集合，t为转置，为在生成器中随机从用户交互的物品中抽取的正样本，为在生成器中随机从用户未交互的物品中抽取的负样本，为sigmoid激活函数，λ为正则化权重系数，θ为模型参数，||
·
||2为l2范数。第u个用户的嵌入信息有丰富的特征信息，可以作为生成器的输入表示用户。
[0074]
b-7)通过公式
[0075][0076]
预训练计算损失函数得到判别器中的用户的嵌入信息和属性信息f(
·
)为融合函数，为在判别器中随机从用户交互的物品中抽取的正样本，为在判别器中随机从用户未交互的物品中抽取的负样本。
[0077]
实施例4：
[0078]
步骤b-7)中(元素相加)或
[0079]
(元素相乘)或
[0080]
(基于深度神经网络)。
[0081]
实施例5：
[0082]
步骤c)包括如下步骤：
[0083]
c-1)通过公式计算得到潜在空间y
mlp
，式中σ(
·
)为tanh激活函数，w
x
为3层感知机mlp的第x层的权重矩阵，x＝1,2,3，b
x
为3层感知机mlp的第x层的偏差。
[0084]
c-2)通过公式计算得到用户的匿名属性集合式中concat(
·
)为拼接函数，
[0085][0086][0087]
ζ为阈值，δ(
·
)为sigmoid函数，-logδ(y
mlp
)k为-logδ(y
mlp
)的第k维，-logδ(y
mlp
)j为-logδ(y
mlp
)的第j维。的作用是放大潜在空间y
mlp
的可区分度。p_softmax函数功能是先将输入数据映射到区间[0，1]，然后做归一化操作。用户的匿名属性集合是一个二值向量，在反向传播时无法进行优化，我们使用可端到端优化技巧进行操作。
[0088]
c-3)通过公式计算得到匿名属性集合长度损失计算得到生
成器最大生成集合的长度来使生成的属性集的隐私水平最大化，式中δ1为值设定为全1向量并表示为目标标签的生成集合，因为生成器的目的是通过用最大数量的不精确属性值替换它来保护私有属性，*为对应位置做乘法操作。目标是在向量中生成的1值的数量尽可能地多。
[0089]
c-4)对于描述用户的年龄私有属性a1，通过公式计算得到年龄匿名属性语义组长度损失计算得到由不同语义组的年龄值组成的年龄集来进一步提高隐私水平，式中δ2为值设定为每个语义组的长度并表示为目标语义组标签，mg为语义组的数量，mg＝3，g为值设定为对应语义组全1向量并表示为分组矩阵，阵，目标是在语义组向量中生成的1值的数量尽可能地多。
[0090]
c-5)通过公式计算得到生成器最终的损失函数使生成由不精确的属性值组成的个性化属性集来匿名化原始属性数据。，式中λ
l
和λs均为权重系数，用来控制两个损失的比重。
[0091]
实施例6：
[0092]
步骤d)包括如下步骤：
[0093]
d-1)通过公式计算得到第u个用户的嵌入信息与嵌入信息融合后的用户嵌入
[0094]
d-2)通过公式计算得到生成的匿名属性数据式中为第u个用户在属性标签ai生成的匿名属性集合中对应的属性嵌入集合的数量，为属性嵌入矩阵。
[0095]
d-3)通过公式计算得到第u个用户的嵌入信息与匿名属性数据融合后的用户嵌入d-4)通过公式计算得到判别器最终的损失函数使生成的属性集和用户的原始属性之间的差异最小。
[0096]
实施例7：
[0097]
步骤e)中通过公式计算得到模型总损失专注于为用户的私人属性数据提供隐私，同时保持为推荐模型生成的匿名属性数据的效用。生成器旨在最大限度地提高原始用户私有属性的隐私水平。同样，判别器的目标是保持匿名属性数据的效用。
[0098]
实施例8：
[0099]
步骤f)包括如下步骤：
[0100]
f-1)利用优化后的生成器，重复执行步骤c-1)计算得到潜在空间y
′
mlp
；
[0101]
f-2)将潜在空间y
′
mlp
替代步骤c-2)中的y
mlp
，重复执行步骤c-2)计算得到用户的
匿名属性集合f-3)将用户的匿名属性集合替代步骤d-2)中的重复执行步骤d-2)计算得到生成的匿名属性数据f-4)使用生成的匿名属性数据对用户推荐感兴趣的物品。
[0102]
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于生成对抗网络的用户私有属性匿名化方法，其特征在于，包括如下步骤：a)在电影数据集中通过预处理得到训练集和测试集；b)利用训练集中用户和物品数据预训练得到生成器中的用户的嵌入信息利用训练集中用户、物品和每个用户对应的私有属性预训练得到判别器中的用户的嵌入信息和属性信息c)根据用户的嵌入信息在生成器中计算得到用户的匿名属性集合d)根据用户的嵌入信息和属性信息在判别器中计算得到用户嵌入和用户嵌入计算用户嵌入和用户嵌入的损失函数e)计算模型总损失利用模型总损失通过adam优化器优化生成器和判别器的参数；f)利用优化后的生成器，得到生成的匿名属性数据2.根据权利要求1所述的基于生成对抗网络的用户私有属性匿名化方法，其特征在于：步骤a)中的电影数据集为movielens电影数据集。3.根据权利要求2所述的基于生成对抗网络的用户私有属性匿名化方法，其特征在于：步骤a)中在movielens电影数据集中将用户所交互过的物品按照留一法进行划分，每个用户的最后一次互动被保留下来作为测试集，其余的数据作为训练集。4.根据权利要求2所述的基于生成对抗网络的用户私有属性匿名化方法，其特征在于，步骤b)包括如下步骤：b-1)训练集中包括n个用户及m个物品，n个用户构成用户集合u，m个物品构成物品集合v，将用户集合u和物品集合v构建交互矩阵r
n
×
m
，每个用户均关联3个属性标签a1、a2、a3，属性标签a1表示描述用户的年龄私有属性，属性标签a2表示描述用户的性别私有属性，属性标签a3表示描述用户的职业私有属性，第u个用户对于属性标签生成的匿名属性集合为b-2)对movielens电影数据集中的用户集合u使用xavier初始化方法进行嵌入参数初始化，构建用户嵌入矩阵嵌入参数初始化，构建用户嵌入矩阵为实数空间，d为嵌入维度，嵌入大小设置为64，用户嵌入矩阵中的第k行为第k个用户的嵌入信息，k∈{1,2,
…
,n}，对movielens电影数据集中的物品集合v使用xavier初始化方法进行嵌入参数初始化，构建物品嵌入矩阵嵌入大小设置为64，物品嵌入矩阵中第k行为第k个物品的嵌入信息，k∈{1,2,
…
,m}，对movielens电影数据集中的属性集合使用xavier初始化方法进行嵌入参数初始化，构建属性嵌入矩阵嵌入大小设置为64，为属性标签a
i
,i∈1,2,3的数量，属性嵌入矩阵中第k行为在属性标签a
i
中第k个属性的嵌入信息，b-3)通过公式计算得到生成器中第u个用户的嵌入信息式中one_hot(u)为将第u个用户的id信息表示为one_hot向量，通过公式计算得到判别器中第u个用户的嵌入信息
b-4)通过公式计算得到生成器中第v个物品的嵌入信息式中one_hot(v)为将第v个物品的id信息表示为one_hot向量，通过公式计算得到判别器中第v个物品的嵌入信息b-5)通过公式计算得到判别器中属性标签a
i
的嵌入信息式中one_hot(a
i
)为将第属性标签a
i
的类别信息表示为one_hot向量；b-6)通过公式预训练计算损失函数得到生成器中的用户的嵌入信息式中o为训练集，到第u个用户和第v个物品之间存在的交互行为集合，r-为未观察到第u个用户和第v个物品之间存在的交互行为集合，t为转置，为在生成器中随机从用户交互的物品中抽取的正样本，为在生成器中随机从用户未交互的物品中抽取的负样本，为sigmoid激活函数，λ为正则化权重系数，θ为模型参数，
·2为l2范数；b-7)通过公式预训练计算损失函数得到判别器中的用户的嵌入信息和属性信息f(
·
)为融合函数，为在判别器中随机从用户交互的物品中抽取的正样本，为在判别器中随机从用户未交互的物品中抽取的负样本。5.根据权利要求4所述的基于生成对抗网络的用户私有属性匿名化方法，其特征在于：步骤b-7)中或或6.根据权利要求4所述的基于生成对抗网络的用户私有属性匿名化方法，其特征在于，步骤c)包括如下步骤：c-1)通过公式计算得到潜在空间y
mlp
，式中σ(
·
)为tanh激活函数，w
x
为3层感知机mlp的第x层的权重矩阵，x＝1,2,3，b
x
为3层感知机mlp的第x层的偏差；
c-2)通过公式计算得到用户的匿名属性集合式中concat(
·
)为拼接函数，拼接函数，ζ为阈值，δ(
·
)为sigmoid函数，-logδ(y
mlp
)
k
为-logδ(y
mlp
)的第k维，-logδ(y
mlp
)
j
为-logδ(y
mlp
)的第j维；c-3)通过公式计算得到匿名属性集合长度损失式中δ1为值设定为全1向量并表示为目标标签的生成集合，c-4)通过公式计算得到年龄匿名属性语义组长度损失式中δ2为值设定为每个语义组的长度并表示为目标语义组标签，m
g
为语义组的数量，m
g
＝3，g为值设定为对应语义组全1向量并表示为分组矩阵，c-5)通过公式计算得到生成器最终的损失函数式中λ
l
和λ
s
均为权重系数。7.根据权利要求4所述的基于生成对抗网络的用户私有属性匿名化方法，其特征在于，步骤d)包括如下步骤：d-1)通过公式计算得到第u个用户的嵌入信息与嵌入信息融合后的用户嵌入
d-2)通过公式计算得到生成的匿名属性数据式中为第u个用户在属性标签a
i
生成的匿名属性集合中对应的属性嵌入集合的数量，为属性嵌入矩阵；d-3)通过公式计算得到第u个用户的嵌入信息与匿名属性数据融合后的用户嵌入d-4)通过公式计算得到判别器最终的损失函数8.根据权利要求7所述的基于生成对抗网络的用户私有属性匿名化方法，其特征在于：步骤e)中通过公式计算得到模型总损失9.根据权利要求7所述的基于生成对抗网络的用户私有属性匿名化方法，其特征在于，步骤f)包括如下步骤：f-1)利用优化后的生成器，重复执行步骤c-1)计算得到潜在空间y
′
mlp
；f-2)将潜在空间y
′
mlp
替代步骤c-2)中的y
mlp
，重复执行步骤c-2)计算得到用户的匿名属性集合f-3)将用户的匿名属性集合替代步骤d-2)中的重复执行步骤d-2)计算得到生成的匿名属性数据f-4)使用生成的匿名属性数据对用户推荐感兴趣的物品。

技术总结
一种基于生成对抗网络的用户私有属性匿名化方法，由生成器和判别器组成，生成器为每个用户创建个性化的属性集以匿名化私人属性。与此同时，为了维护生成的属性集(匿名化属性)的效用，判别器被设计成可以最小化生成的属性集和用户的原始属性之间的差异。由于生成的用户匿名化私有属性既考虑了隐私性也考虑了可用性，运用在属性感知推荐模型上既可以保证模型性能，也可以保护用户的私有属性不被泄露。也可以保护用户的私有属性不被泄露。也可以保护用户的私有属性不被泄露。


技术研发人员：程志勇 董建华 刘帆 卓涛 李晓丽
受保护的技术使用者：山东省人工智能研究院
技术研发日：2023.02.23
技术公布日：2023/7/12