Gizliliği koruyan çoklu-ölçütlü ortak filtreleme

Abstract

Gizliliği koruyan ortak filtreleme sistemleri, tek-ölçüt değerlerinde bulunan gizlilik tehditlerini ortadan kaldırmaya odaklanır ve çoklu-ölçütlü tercih alanındaki gizlilik riskleri göz ardı edilir. Çoklu-ölçütlü tercih verilerinin yapısı, bireylerin neden bir öğenin kullanıcı tarafından tercih edildiğini anlama olanağı sağlamasına rağmen, bireyleri daha ciddi gizlilik tehditlerine maruz bırakır. Bu nedenle, bu sistemler esnek ve her bir alt-ölçütün yapısı ile uyum sağlayan akıllı koruma mekanizmalarına ihtiyaç duyar. Bu tezde, çoklu-ölçütlü öneri sistemleri açısından mevcut gizlilik ihlali koşulları değerlendirilmekte ve bu hizmetlerin maruz kaldığı tehditler kapsamlı bir şekilde tartışılmaktadır. Bu tür tehditleri hafifletmek için, çoklu-ölçütlü ortak filtreleme sistemleri için rastgele karıştırma yöntemine dayalı gizlilik koruma yaklaşımları ve geleneksel tek-ölçütlü sistemlerde etkin bir şekilde kullanılan gizlilik koruma yöntemleri çoklu-ölçütlü derecelendirmelere uyarlanmaktadır. Öneri doğruluğunu arttırmak için, orijinal çoklu-ölçütlü tercihlerin bozulmasından kaynaklanan doğruluk kayıplarını azaltan entropi tabanlı rastgelelik belirleme prosedürünü uyarlayan yeni bir gizlilik koruma protokolü sunulmuştur. Ek olarak, olağandışı kullanıcı derecelendirmelerinin tahmin doğruluğu üzerindeki olumsuz etkilerini azaltmak için yeni bir veri karıştırma yaklaşımı sunulmuştur. Önerilen gizlilik koruma programlarının, farklı mahremiyet seviyelerinde hem kullanıcı gizlilik seviyeleri hem de tahmin doğruluğu üzerindeki etkilerini göstermek için yaklaşımlar Yahoo!Movies çoklu-ölçütlü tercih veri setinin üç alt grubunda deneysel olarak değerlendirilmiştir. Elde edilen deneysel sonuçlara göre, önerilen yaklaşımlar geleneksel gizlilik koruma senaryosunun sağladığı gizlilik seviyesini korurken önemli ölçüde başarımı yüksek öneriler üretebilmektedir.