کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
4943523 | 1437635 | 2017 | 19 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Privacy-preserving collaborative recommendations based on random perturbations
ترجمه فارسی عنوان
توصیه های مشارکتی حفظ حریم خصوصی بر اساس اختلالات تصادفی
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
فیلتر کردن همگانی، اختلالات تصادفی، حریم خصوصی چند سطحی، سیستم توصیهگر،
ترجمه چکیده
سیستم های پیشنهاد دهنده همکاری ارائه دهنده راه حلی برای مشکل اضطراری اطلاعات موجود در محیط های آنلاین مانند تجارت الکترونیک می باشند. استفاده از فیلتر کردن مشارکتی، روش پیشنهاد شده به طور گسترده ای استفاده می شود، باعث می شود مشکلات مربوط به حریم خصوصی بالقوه. علاوه بر این، رتبه بندی کاربر مورد استفاده در سیستم های فیلترینگ مشارکتی برای توصیه محصولات یا خدمات باید محافظت شود. هدف این تحقیق، ارائه یک راه حل برای نگرانی های امنیتی کاربران فیلتر شده مشترک، در حالی که حفظ دقت بالا از توصیه. این مقاله روش پیشگیری از حفظ حریم خصوصی چند سطح را برای سیستم های فیلترینگ مشارکتی پیشنهاد می کند که با هرگونه رتبه بندی قبل از ارسال به سرور، تحریک می شود. روش اختلال مبتنی بر سطوح مختلف و محدوده های مختلفی از مقادیر تصادفی برای هر سطح است. قبل از ارسال هر امتیاز، سطح حریم خصوصی و محدوده اختلال به طور تصادفی از طیف ثابت سطح حریم خصوصی انتخاب می شوند. روش حفظ حریم خصوصی پیشنهاد شده با نتایج آزمایش شده است که نشان می دهد با کاهش کمی از ابزار، حفظ حریم شخصی کاربران می تواند محافظت شود، در حالی که رویکرد پیشنهادی نتایج عملی و موثر ارائه می دهد.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
هوش مصنوعی
چکیده انگلیسی
Collaborative recommender systems offer a solution to the information overload problem found in online environments such as e-commerce. The use of collaborative filtering, the most widely used recommendation method, gives rise to potential privacy issues. In addition, the user ratings utilized in collaborative filtering systems to recommend products or services must be protected. The purpose of this research is to provide a solution to the privacy concerns of collaborative filtering users, while maintaining high accuracy of recommendations. This paper proposes a multi-level privacy-preserving method for collaborative filtering systems by perturbing each rating before it is submitted to the server. The perturbation method is based on multiple levels and different ranges of random values for each level. Before the submission of each rating, the privacy level and the perturbation range are selected randomly from a fixed range of privacy levels. The proposed privacy method has been experimentally evaluated with the results showing that with a small decrease of utility, user privacy can be protected, while the proposed approach offers practical and effective results.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Expert Systems with Applications - Volume 71, 1 April 2017, Pages 18-25
Journal: Expert Systems with Applications - Volume 71, 1 April 2017, Pages 18-25
نویسندگان
Nikolaos Polatidis, Christos K. Georgiadis, Elias Pimenidis, Haralambos Mouratidis,