Privacy-preserving dimensionality reduction-based collaborative filtering

Abstract

İşbirlikçi filtreleme (İF) sistemleri birçok elektronik ticaret sitesi tarafından kullanılmaktadır. Fakat bu sistemler gizlilik ölçütlerini sağlamada yetersiz kalmaktadırlar. Birçok internet kullanıcısı gizlilik endişelerinden dolayı işbirlikçi filtreleme amacıyla kendi bilgilerini rahatlıkla paylaşamamaktadırlar. Bu da İF servislerini yerine getirmek için doğru ve güvenilir veri toplanmasını güçleştirmektedir. Araştırmalar gizlilik endişelerinin kullanıcıdan kullanıcıya farklılık gösterdiğini göstermektedir. Bu yüzden kullanıcılar kendi gizli bilgilerini farklı şekillerde gizlemeyi tercih edebilirler. Bu şekilde saklanmış veriler üzerinde İF servislerini sağlamak çözülmesi güç bir problem haline gelmektedir. Bazı durumlarda iki elektronik ticaret firması verilerini biraraya getirip daha güvenilir ve doğru öneriler üretmek isteyebilir. Fakat bu firmalar gizlilik, hukuki ve finansal sebeplerden dolayı verilerini birleştirmek istemezler. Eğer gizlilik ölçütleri sağlanırsa bu firmalar verilerini birleştirebilirler. Bu durumda sorun onların gizliliklerine zarar vermeden birleştirilmiş veri üzerinden İF hizmetlerini nasıl gerçekleştirecekleridir.Bu çalışmada ilk olarak kişisel gizliliğe zarar vermeden Eigentaste algoritmasına dayalı İF hizmetleri sunmak için çözümler ileri sürülmüştür. İkinci olarak, farklı yollarla saklanmış veriden tekil değerlerine ayrıştırma (TDA) tabanlı algoritmalar kullanılarak nasıl öneri üretileceği gösterilmiştir. Son olarak, dağıtık veri üzerinden iki taraf arasında tarafların gizliliklerini koruyarak TDA tabanlı işbirlikçi filtrelemenin nasıl gerçekleştirileceği araştırılmıştır. Öne sürülen çözümlerin performanslarını ölçmek için İF amacıyla toplanmış gerçek veriler kullanılarak deneyler yapılmıştır. Önerilen yöntemlerin doğruluk, gizlilik ve ek maliyet analizleri yapılmıştır. Çözümler anlatıldıktan sonra sonuçlar çıkarılmış ve öneriler sunulmuştur.

Collaborative filtering (CF) systems are widely used by many e-commerce sites. However, they fail to provide privacy measures. A significant amount of internet users do not feel comfortable to give their data for CF purposes due to privacy concerns. That is why it becomes a challenge to collect truthful and dependable data to perform CF services. Researches show that privacy concerns differ from user to user. Therefore, users might decide to hide their private data differently. Providing CF services on variably masked data is challenging. Two parties may need to combine their data for CF purposes for better recommendations. However, they do not want to integrate them due to privacy, legal, and financial reasons. If privacy measures are provided, they can combine their data. The question is then how they can offer CF services on integrated data without violating their privacy.In this thesis, first, solutions are proposed to offer CF services based on Eigentaste algorithm without violating individual users? privacy. Second, it is shown how to provide recommendations using singular value decomposition (SVD)-based algorithms from inconsistently perturbed data. Finally, it is investigated how to achieve SVD-based CF on distributed data between two parties while preserving their privacy. To evaluate the overall performance of the proposed solutions, experiments are conducted using real data sets collected for CF purposes. The proposed schemes are analyzed in terms of accuracy, privacy, and additional costs. After explaining the solutions, conclusions are drawn and future directions are presented.