软件学报

作者：赵冬冬，徐虎，彭思芸，周俊伟

单位：赵冬冬，武汉理工大学 计算机与人工智能学院, 湖北 武汉 430070;武汉理工大学 重庆研究院, 重庆 40113511,徐虎，武汉理工大学 计算机与人工智能学院, 湖北 武汉 43007002,彭思芸，武汉理工大学 计算机与人工智能学院, 湖北 武汉 43007003,周俊伟，武汉理工大学 计算机与人工智能学院, 湖北 武汉 43007004

关键词：图数据;隐私保护;负数据库;推荐系统;图神经网络

基金：国家自然科学基金(61806151); 湖北省重点研发计划(2022BAA050);海南省重点研发计划(ZDYF2021GXJS014); 重庆市自然科学基金(cstc2021jcyj-msxmX0002)

图数据是一种特殊的数据形式, 由节点和边组成. 在这种数据中, 实体被建模为节点, 节点之间可能存在边, 表示实体之间的关系. 通过分析和挖掘这些数据, 人们可以获得很多有价值的信息. 因此, 对于图中各个节点来说, 它也带来了隐私信息泄露的风险. 为了解决这个问题, 提出了一种基于负数据库(NDB)的图数据发布方法. 该方法将图数据的结构特征转换为负数据库的编码形式,基于此, 设计出一种扰动图(NDB-Graph)的生成方法. 由于NDB是一种保护隐私的技术, 不显式存储原始数据且难以逆转, 故发布的图数据能确保原始图数据的安全. 此外, 由于图神经网络在图数据中关系特征处理方面的高效性,被广泛应用于对图数据的各种任务处理建模, 例如推荐系统, 还提出了一种基于NDB技术的图神经网络的推荐系统来保护每个用户的图数据隐私. 基于Karate和Facebook数据集上的实验表明, 与PBCN发布方法相比, 所提方法在大多数情况下表现更优秀. 例如: 在Facebook数据集上, 度分布最小的L1误差仅为6, 比同隐私等级下的PBCN方法低约2.6%; 最坏情况约为1 400, 比同隐私等级下的PBCN方法低约46.5%. 在基于LightGCN的协同过滤实验中也表明, 所提出的隐私保护方法具有较高的精度.

来源：2024年第8期

《软件学报》期刊编辑部

查看软件学报杂志2024年第8期