智慧城市中數據隱私及服務推薦算法研究與應用

摘要：在智慧城市中，每時每刻都有大量服務處于應用狀態，而在信息技術成熟發展的背景下，出現諸多相似服務，如何結合用戶需求為其精準推薦高質量服務并有效保護用戶隱私成為急需解決的問題。基于此，文章先分析智慧城市中數據隱私及服務推薦算法研究的意義，進而重點探究智慧城市中數據隱私及服務推薦算法的應用和智慧城市推薦算法系統的設計。

關鍵詞：智慧城市；隱私保護；服務推薦

Research and Application of Data Privacy and Service Recommendation Algorithms in Smart Cities

WEN Xiaotang

（School of Data Science， Guangzhou Huashang University， Guangzhou 510655， China）

Abstract： In smart cities， there are a large number of services in application at all times， and in the context of the mature development of information technology， many similar services have emerged. How to accurately recommend high-quality services based on user needs and effectively protect user privacy has become an urgent problem to be solved. Based on this， the article first analyzes the significance of research on data privacy and service recommendation algorithms in smart cities， and then focuses on exploring the application of data privacy and service recommendation algorithms in smart cities and the design of smart city recommendation algorithm systems.

Key words： smart city; privacy protection; service recommendation

1" "智慧城市概述

智慧城市是指在城市醫療、交通、住宿、飲食等各個方面融入先進信息技術，包括大數據技術、云計算技術等，以智能化、自動化、精細化管理城市，使城市居民生活質量提升。智慧城市發展涉及信息化城市、數字化城市、智能化城市三大階段。智慧城市的出現，為城市發展帶來較大影響，其主要在四方面著重體現，一是加大城市管理力度；二是促進創新型產業快速發展；三是推動科技創新建設；四是為城市居民創設高質量生活。

2" "智慧城市中數據隱私及服務推薦算法研究意義

信息技術的成熟發展致使諸多相似服務出現，這雖為用戶提供了大量選擇，但同時也為用戶帶來了大量挑戰，而預測服務質量能有效解決這一問題。在智慧城市中，交通屬于重要環節，交通擁堵現象會對城市生活造成影響，減緩城市運行效率。為預防城市交通擁堵現象，可基于服務推薦算法來預測道路狀態，向用戶提供最優道路選擇。本研究提出基于差分隱私的用戶數據保護方法和時間感知服務推薦算法，在后者中應用前者，不僅能解決以往服務推薦算法較為局限的問題，還能有效保護用戶隱私。

3" "智慧城市中數據隱私及服務推薦算法研究

3.1 基于差分隱私的用戶數據保護方法

在QoS基礎上的服務推薦中，預測準確性和用戶隱私保護是目前存在的兩個問題。本研究通過提出具有隱私保護的時間感知服務推薦框架來解決上述問題。現階段，多數服務推薦算法的目的在于權衡數據應用價值和用戶隱私保護，在本研究中，首先，通過拉普拉斯分布方式保護原始數據隱私；其次，立足多個維度，包括用戶、時間和服務，來劃分這些數據，實現全新用戶、服務和時間矩陣的拼接，以此降維處理數據，形成二維矩陣；再次，使用K-Means聚類算法聚集矩陣中的相似數據，將原始數據為不同類簇劃分；最后，運用L1范式低秩矩陣分解算法預測各類簇缺失的數據。

（1）差分隱私保護階段。目的在于保護用戶隱私，結合拉普拉斯分布在服務器節點原始數據中隨機加入噪音獲得新數據，進而向同一節點集中新數據以供后續處理。通常情況下，在服務推薦過程，用戶調用的服務不會來自相同服務器節點，這是由于用戶處于實時移動狀態，所以為向用戶提供精準推薦，需要集中分布式數據節點內的數據。而節點數據中有夾帶用戶隱私信息的可能，為在集中數據時對用戶隱私信息進行保護，通過拉普拉斯分布添加噪音以實現差分隱私。需要注意的是，噪聲的添加需要滿足一定條件，即確保用戶相似性[1]。

（2）多節點數據整合階段。目的在于整合加入噪音后的數據生成新用戶、服務和時間三個維度矢量數據。在差分隱私保護過程，將噪聲添加到各服務器節點數據中后將其發送給總節點進行預測，總節點接收并整合這些數據，進而生成上述新三維矢量數據。從本質上講，服務質量屬于三維向量，其代表用戶在某一時間調用某項服務的質量。

（3）多維度切分階段。目的在于分割三維矢量數據，立足用戶維度、時間維度和服務維度進行劃分，分別得到用戶片集合、時間片集合以及服務片集合，進而將其分別拼接后生成新用戶矩陣、新時間矩陣和新服務矩陣。

（4）K-Means聚類階段。目的在于通過K-Means聚類算法將拼接后的矩陣數據劃分為不同類簇，在同一類簇中集合相似數據，以提高預測精準性。需要預測的數據量通常十分龐大，如果對拼接后的整體矩陣進行分解要消耗大量時間，所以基于K-Means聚類算法將數據劃分為不同類簇后，分別分解每一類簇，能顯著減少分解時間，同時，在同一類簇集合相似數據后也能得到更為精準的預測結果。

（5）L1范式低秩矩陣分解階段。通過L1范式低秩矩陣分解算法預測用戶類簇、服務類簇和時間類簇，分別得到用戶矩陣、服務矩陣和時間矩陣，進而得到預測矩陣。這一階段分為兩步：一是通過低秩矩陣分解聚類數據來預測服務質量；二是對平均絕對誤差進行計算，并對均方根誤差進行計算。

3.2 基于時間感知的服務推薦算法

本研究中進一步提出K-Means聚類以及L1范式矩陣低秩分解的時間感知推薦算法，并將時間維度融入推薦系統當中，率先從多種維度切分三維矢量數據，借助K-Means聚類算法針對類似數據進行全面整合并將其匯聚至相同類簇內，隨后針對各個類簇通過低秩矩陣分解算法預測、補全原本較為稀疏的QoS矩陣，進一步融合時間維度優化矩陣分解魯棒性。

在本研究中，采用基于K-Means聚類以及分解時間感知推薦算法包括三種步驟，一是數據處理，立足多種維度切分初步構建三維矢量，隨后進行拼接并將其轉化成二維矩陣；二是K-Means聚類，針對K-Means聚類中心數進行設置，數目為K，將相同數據劃分至同一個類簇內；三是L1范式矩陣分解，借助相關分解算法準確預測原矩陣內QoS缺失值。在處理數據時，結合原始數據集構建三維矢量R，三種維度即為時間TIME、服務SERVICE、用戶USER，其中，用戶集是U={U1，…，Um}；服務集是S={S1，…，Sn}；時間集是T={T1，…，Td}。劃分后各個時間片如圖1所示。

通常情況下，服務推薦主要根據時間維度進行劃分，代表各個時間片中相關用戶調用服務所形成的QoS值。此外可以從其他兩種維度劃分QoS值，根據服務維度、用戶維度進行數據集劃分。在從用戶維度層面劃分時，不同用戶片中QoS值代表用戶處于不同時間內的服務調用狀況。如果從服務維度層面劃分，則不同用戶片中QoS值表示服務處于不同時間段內用戶調用狀況。根據這一基礎思路，可以從三種維度區針對原始三維矢量數據集進行劃分，得到服務片、用戶片以及時間片對應集合S、U、T。K-Means聚類面對大量數據擁有較高處理效率，是一種廣受歡迎的聚類算法。在K-Means聚類迭代中，需要明確聚類中心數目，并于初始點數據庫隨機抽取K個聚類中心，隨后計算各點至聚類中心距離，在相距最近聚類中心內全面關聯N-k個點。隨后對各個集群質心實施重新計算，將其當成最新聚類中心，對上述迭代過程進行重復直到聚類中心沒有任何變化，結束迭代過程。

結合時間維度切分原始三維矢量R能夠進一步獲得時間片集合，其中不同元素代表不同時間用戶的服務調用狀況，隨后針對集合內不同時間片段實施有效拼接，變成T_M二維矩陣，隨后利用L1范式矩陣分解補全二維矩陣缺失值，隨后得到完善矩陣p。立足于用戶維度對三維矢量進行切分，能夠得到用戶集合U，其中不同元素分別代表不同用戶在不同時間內服務調用狀況，隨后將拼接集合元素轉化成二維矩陣U_M，最后通過矩陣分解補全二維矩陣內缺失值，得到完善矩陣Q。從服務維度切分三維矢量R能夠獲得S服務集合，其中不同元素分別代表不同時間內用戶的服務調用狀況，隨后融合不同元素將其拼接成二維矩陣S_M。并通過矩陣分解預測其中缺失值，最終獲得完善矩陣M。經過上述方式得到三種預測結果后，為綜合考慮不同維度影響，針對三種補全矩陣實施加權計算，具體公式為

（1）

式中，P是矩陣分解針對T_M二維矩陣預測缺失值所形成矩陣；Q是U_M二維矩陣缺失值預測所形成矩陣；F是最終計算出的預測矩陣；屬于負平衡因子，且三者相加等于1，通過能夠對三種預測結果比例進行合理控制，使最優值與數據集存在一定聯系。

4" "智慧城市中推薦算法系統應用

4.1 系統設計

（1）數據庫和數據庫表設計。結合系統需求設計用戶數據庫、道路數據庫和日志數據庫，進而設計用戶數據庫表、道路數據庫表和日志數據庫表。首先，用戶數據庫表用于記錄全部用戶信息，內含六個字段，即用戶ID、用戶昵稱、用戶密碼、用戶手機號、用戶狀態和用戶郵箱。用戶ID為本表主鍵，通過自增長和唯一設置方式，避免相同ID出現。在登入系統時要輸入戶手機號和密碼，通過與數據庫數據比對確認相符后方可成功登入。用戶郵箱主要用于用戶密碼找回和重置。其次，道路數據庫表用于記錄全部用戶前往目的地可能通過的全部道路，僅擁有權限的管理者才可修改表中數據，本表內含有5個字段，即道路ID、道路名稱、道路維度、道路經度和道路狀態。道路ID為本表主鍵，通過自增長和唯一設置方式，保證所有道路都具有專屬編號，以此區分不同道路。道路狀態分為通常、擁堵、嚴重擁堵3種，分別用綠色、黃色和紅色表示，這一參數與系統主要功能相聯，間隔30分鐘更新一次。最后，日志數據庫表用于記錄用戶選擇道路的情況，內含四個字段，即日志ID、用戶ID、道路ID以及經過時間。

（2）系統功能設計。本系統功能模塊包括用戶管理模塊、用戶信息收集模塊、道路預測模塊、日志管理模塊。其中，用戶管理模塊用于管理系統用戶，提供注冊注冊管理、登錄管理、添加用戶、刪除用戶、密碼修改等功能，用戶可利用手機號注冊登錄，完整填寫個人信息，并在系統中修改密碼；管理者可管理普通用戶，實施授權或刪除。用戶信息收集模塊用于匯總用戶日常出行對道路的選擇情況，進而按照用戶、道路、時間格式進行整理，向總服務器上傳。道路預測模塊用于預測當天道路擁堵情況，進而將預測結果推薦給用戶，這一模塊為系統核心，用戶是主要的使用對象，通過點擊預測單元，系統會基于本研究提出的算法自動預測道路擁堵情況，并針對道路暢通、擁堵和嚴重擁堵三種狀態分別用綠色、黃色以及紅色進行標注，以此向用戶推薦最優道路。

4.2 功能實現

本系統在提供道路推薦服務時主要以Web頁面形式呈現。首先，用戶管理模塊頁面提供用戶注冊窗口和用戶登錄窗口，用戶可在該頁面內注冊、登錄或修改密碼。其次，管理者可點擊道路預測模塊頁面訓練按鈕，通過相應算法來訓練日常采集的道路選擇信息，進而點擊預測按鈕來智能預測所有道路擁堵情況，分別用綠色、黃色和紅色進行道路標記。最后，日志管理模塊通過分頁形式顯示日志，可輸入查詢日期對用戶道路選擇情況進行查詢。管理者有權限刪除日志。

5" "結束語

本研究提出了具有隱私保護的時間感知服務推薦系統，以提高服務預測準確性，對用戶隱私予以有效保護。由于智慧城市發展中交通擁堵問題最為常見，所以本研究后續將以智慧城市交通預測為例對系統進行設計和應用，以期為相關行業人員提供指導，實現精準服務推薦，對服務推薦過程中存在的用戶隱私保護問題加以解決，從而促進智慧城市良好發展。

參考文獻

[1] 崔睿宇．混合多元信息的個性化服務推薦算法研究[D]．西安：西安石油大學，2020.

項目基金：校級青年學術類科研項目（2022HSXS088）。

作者簡介：文曉棠（1986-），女，湖南醴陵人，講師，碩士研究生，研究方向為推薦算法、深度學習。