حفظ حریم خصوصی در داده های توزیع شده افقی مبتنی بر SOM

ترجمه مقاله حفظ حریم خصوصی در داده های توزیع شده

ترجمه مقاله Privacy-preserving SOM-based recommendations on horizontally distributed data

در این بخش از مقاله حفظ حریم خصوصی در داده های توزیع شده افقی مبتنی بر SOM را برای شما دوستان آماده کردیم که علاوه بر چکیده و مقدمه می توانید خود مقاله اصلی را نیز به طور کاملا رایگان دانلود نمایید.

چکیده مقاله

برای تولید پیش بینی هایی با دقت مناسب، الگوریتم های فیلترگذاری مشارکتی نیاز به اطلاعات کافی دارند. با توجه به ماهیت خرید آنلاین و افزایش تعداد فروشندگان آنلاین، ترجیحات مشتریان مختلف در مورد محصولات مشابه می تواند بین شرکت های مختلف، حتی فروشندگان رقابتی توزیع شود. بنابراین، آن دسته از شرکت هایی که اطلاعات نا مطلوب داده های کاربران را دارند، ممکن است تصمیم بگیرند داده های خود را به گونه ای ترکیب کنند تا پیش بینی های دقیقی را با عملکرد آنلاین قابل قبول ارائه دهند.

با این حال، آنها نمی خواهند اطلاعاتشان را افشا کنند، زیرا چنین اطلاعاتی محرمانه و با ارزش هستند. علاوه بر این، افشای الویت های کاربران قانونی نمی باشد؛ با این وجود، اگر حریم خصوصی محافظت شود، آنها می توانند در جهت تولید پیش بینی های درست مشارکت کنند. ما یک طرح حفاظت از حریم خصوصی پیشنهاد می کنیم که توصیه هایی را در مورد داده های تقسیم شده بصورت افقی بین چندین بخش ارائه می دهد. به منظور بهبود عملکرد آنلاین، بخش های خوشه داده های توزیع شده خود را از خط خارج می کنند بدون اینکه محرمانگی را تحت تاثیر قرار دهند.

در حالی که حریم خصوصی آنها حفظ می شود، پیش بینی ها را با استفاده از روش K نزدیکترین همسایه تخمین می زنند. ما روش پیشنهادی حفظ حریم خصوصی صاحبان داده ها را اثبات نمودیم و آن قادر به ارائه ی پیش بینی های معتبر است. با انجام چندین آزمایش با استفاده از مجموعه داده های واقعی، طرحمان را از لحاظ دقت تحلیل می کنیم. نتایج تجربی ما نشان می دهد که هنوز هم ممکن است پیش بینی درستی را به صورت صحیح تخمین بزنیم در حالی که اعتمادپذیری صاحبان داده را در حفظ حریم خصوصی در داده های توزیع شده افقی حفظ می کند.

مقدمه

پیشرفت سریع در تکنولوژی اینترنت به مردم کمک می کند تا انواع مختلفی از محصولات را از طریق امکانات اینترنتی خریداری کنند. با توجه به جذابیت این موضوع، بسیاری از فروشندگان آنلاین برای ترویج خرید آنلاین شروع به کار نمودند. آنها برای تسهیل مشتریان خود، محصولات مناسب را انتخاب می کنند، سایت های تجارت الکترونیک طرح های فیلترگذاری مشارکتی (CF) بکار می گیرند زیرا انتخاب محصولات مناسب برای خرید بدلیل افزایش تعداد گزینه های انتخاب، یک مشکل چالش برانگیز است. علاوه بر توصیف محصولات مختلف مانند کتاب ها، فیلم ها، سی دی های موسیقی و غیره، سیستم های CF نیز برای نشان دادن صفحات وب استفاده می شود.

چکیده انگلیسی

To produce predictions with decent accuracy, collaborative filtering algorithms need sufficient data. Due to the nature of online shopping and increasing amount of online vendors, different customers’ preferences about the same products can be distributed among various companies, even competing vendors Therefore, those companies holding inadequate number of users’ data might decide to combine their data in such a way to present accurate predictions with acceptable online performance. However, they do not want to divulge their data, because such data are considered confidential and valuable. Furthermore, it is not legal disclosing users’ preferences; nevertheless, if privacy is protected, they can collaborate to produce correct predictions We propose a privacy-preserving scheme to provide recommendations on horizontally partitioned data among multiple parties.

In order to improve online performance, the parties cluster their distributed data off-line without greatly jeopardizing their secrecy. They then estimate predictions using k-nearest neighbor approach while preserving their privacy. We demonstrate that the proposed method preserves data owners’ privacy and is able to suggest predictions resourcefully. By performing several experiments using real data sets, we analyze our scheme in terms of accuracy. Our empirical outcomes show that it is still possible to estimate truthful predictions competently while maintaining data owners’ confidentiality based on horizontally distributed data.

منبع : sciencedirect.com