I. Giới thiệu
Trong bối cảnh hiện đại, bảo mật thông tin là một vấn đề cấp thiết trong lĩnh vực khoa học máy tính. Luận văn thạc sĩ này tập trung vào việc phát triển một hệ khuyến nghị bảo mật, nhằm cung cấp giải pháp cho việc cá nhân hóa xếp hạng mà vẫn đảm bảo quyền riêng tư của người dùng. Hệ khuyến nghị, một công cụ quan trọng trong việc lọc thông tin, giúp người dùng dễ dàng tìm kiếm và lựa chọn sản phẩm phù hợp. Tuy nhiên, việc thu thập và lưu trữ dữ liệu cá nhân của người dùng cũng đặt ra nhiều thách thức về an ninh mạng. Do đó, việc phát triển một hệ thống vừa đảm bảo tính cá nhân hóa vừa bảo vệ thông tin người dùng là rất cần thiết.
1.1 Mục tiêu nghiên cứu
Mục tiêu của luận văn là xây dựng một hệ khuyến nghị bảo mật chuyên dụng cho nhiệm vụ xếp hạng. Hệ thống này sẽ sử dụng các kỹ thuật tiên tiến như mã hóa dữ liệu và học liên kết để bảo vệ thông tin người dùng. Đặc biệt, việc áp dụng Lọc cộng tác thần kinh (Neural Collaborative Filtering) kết hợp với Xếp hạng cá nhân hóa Bayes (Bayesian Personalized Ranking) sẽ là điểm nhấn trong nghiên cứu này. Hệ thống sẽ được thử nghiệm và đánh giá để đảm bảo tính hiệu quả và bảo mật.
II. Cơ sở lý thuyết
Chương này sẽ giới thiệu các khái niệm cơ bản về hệ khuyến nghị, bao gồm ma trận tương tác giữa người dùng và sản phẩm. Hệ khuyến nghị là một mô hình học máy, cho phép dự đoán sở thích của người dùng dựa trên các tương tác trước đó. Các thông tin phản hồi có thể chia thành hai loại: phản hồi rõ ràng và phản hồi tiềm ẩn. Phản hồi tiềm ẩn dễ thu thập nhưng có độ nhiễu cao, trong khi phản hồi rõ ràng mang lại độ chính xác cao hơn nhưng khó khăn trong việc thu thập. Việc hiểu rõ các kỹ thuật như lọc dựa trên nội dung và lọc cộng tác là rất quan trọng để phát triển hệ thống khuyến nghị hiệu quả.
2.1 Hệ khuyến nghị
Hệ khuyến nghị có thể sử dụng nhiều phương pháp khác nhau để đưa ra gợi ý cho người dùng. Lọc dựa trên nội dung sử dụng thông tin từ sản phẩm mà người dùng đã tương tác để đưa ra gợi ý. Ngược lại, lọc cộng tác dựa trên sự tương quan giữa các người dùng để dự đoán sở thích của họ. Việc áp dụng các kỹ thuật này trong môi trường học liên kết không chỉ giúp tăng cường tính bảo mật mà còn cải thiện khả năng cá nhân hóa của hệ thống.
III. Các phương pháp bảo mật
Trong chương này, các phương pháp bảo mật được áp dụng trong hệ khuyến nghị sẽ được phân tích. Việc sử dụng mã hóa dữ liệu và giao thức trao đổi khóa như Diffie-Hellman và Elliptic-curve Diffie–Hellman sẽ giúp đảm bảo an toàn cho thông tin người dùng. Các giải pháp này không chỉ bảo vệ dữ liệu trong quá trình truyền tải mà còn đảm bảo rằng thông tin nhạy cảm không bị rò rỉ. Việc áp dụng kỹ thuật tổng hợp an toàn cũng sẽ được thảo luận, nhằm cải thiện tính bảo mật trong quá trình huấn luyện mô hình.
3.1 Kỹ thuật mã hóa
Kỹ thuật mã hóa đóng vai trò quan trọng trong việc bảo vệ thông tin người dùng. Việc áp dụng mã hóa đối xứng và mã hóa bất đối xứng sẽ giúp bảo vệ dữ liệu trong suốt quá trình truyền tải. Ngoài ra, việc sử dụng học liên kết cũng giúp giảm thiểu rủi ro khi thu thập dữ liệu từ nhiều nguồn khác nhau mà không làm lộ thông tin cá nhân của người dùng. Từ đó, hệ thống khuyến nghị có thể hoạt động hiệu quả mà vẫn đảm bảo tính bảo mật.
