کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6893338 1445560 2018 8 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Toward Privacy-Preserving Personalized Recommendation Services
ترجمه فارسی عنوان
به سمت حفظ حریم شخصی خدمات توصیه های شخصی
کلمات کلیدی
حفاظت از حریم شخصی، خدمات توصیه شخصی تحویل هدفمند، فیلتر کردن همگانی، فراگیری ماشین،
ترجمه چکیده
سیستم های توصیه شده برای تحویل خدمات شخصی به کاربران بسیار مهم هستند. با خدمات توصیه شده شخصی می توانید از انواع توصیه های هدفمند مانند فیلم ها، کتاب ها، تبلیغات، رستوران ها و موارد دیگر لذت ببرید. علاوه بر این، خدمات توصیه شده شخصی باعث شده است که ریسک های درآمد کسب و کار آنلاین بسیار موثر باشد. علیرغم مزایای زیادی، استفاده از خدمات توصیه شده شخصی معمولا نیاز به جمع آوری داده های شخصی کاربران برای پردازش و تجزیه و تحلیل دارد که به طور غیرمستقیم باعث می شود کاربران به موارد جدی نقض حریم خصوصی آسیب برسانند. بنابراین، اهمیت فوق العاده ای برای توسعه تکنیک های حفظ حریم خصوصی عملیاتی برای حفظ اطلاعات خدمات توصیه شده شخصی با احترام به حریم شخصی کاربران است. در این مقاله، ما یک بررسی جامع از ادبیات مربوط به خدمات توصیه شخصی را با حفاظت از حریم خصوصی ارائه می کنیم. ما معماری کلی سیستم های توصیه شده شخصی، مسائل مربوط به حریم خصوصی در آن و آثار موجود را که خدمات توصیه شده شخصی را حفظ می کنند، حفظ می کنیم. ما آثار موجود را طبق تکنیک های اصلی خود برای توصیه های فردی و حفاظت از حریم خصوصی طبقه بندی می کنیم و به طور جدی بحث و مقایسه شایستگی ها و ناتوانی های آنها، خصوصا در خصوص حریم خصوصی و دقت توصیه می کنیم. ما همچنین برخی از مسیرهای تحقیقاتی آینده را هویت می دهیم.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر علوم کامپیوتر (عمومی)
چکیده انگلیسی
Recommendation systems are crucially important for the delivery of personalized services to users. With personalized recommendation services, users can enjoy a variety of targeted recommendations such as movies, books, ads, restaurants, and more. In addition, personalized recommendation services have become extremely effective revenue drivers for online business. Despite the great benefits, deploying personalized recommendation services typically requires the collection of users' personal data for processing and analytics, which undesirably makes users susceptible to serious privacy violation issues. Therefore, it is of paramount importance to develop practical privacy-preserving techniques to maintain the intelligence of personalized recommendation services while respecting user privacy. In this paper, we provide a comprehensive survey of the literature related to personalized recommendation services with privacy protection. We present the general architecture of personalized recommendation systems, the privacy issues therein, and existing works that focus on privacy-preserving personalized recommendation services. We classify the existing works according to their underlying techniques for personalized recommendation and privacy protection, and thoroughly discuss and compare their merits and demerits, especially in terms of privacy and recommendation accuracy. We also identity some future research directions.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Engineering - Volume 4, Issue 1, February 2018, Pages 21-28
نویسندگان
, , , ,