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.

Privacy-preserving collaborative filtering systems focus on eliminating the privacy threats inherent in single preference values, and the privacy risks in the multi-criteria preference domain are disregarded. The structure of multi-criteria preference data exposes individuals to more severe privacy threats although it provides the opportunity to understand why an item is preferred by the user. Therefore, these systems require intelligent protection mechanisms that are flexible and adapting to the structure of each sub-criterion.In this dissertation, existing privacy violation conditions from the perspective of multi-criteria recommender systems are evaluated and threats exposed by such services are discussed comprehensively. In order to alleviate such threats, randomized perturbation-based privacy-preserving approaches for multi-criteria collaborative filtering systems and the privacy protection methods efficiently used in traditional single-criterion systems are adapted onto multi-criteria ratings. To increase the prediction accuracy, a novel privacy-preserving protocol by adapting an entropy-based randomness determination procedure is introduced that can recover accuracy losses resulting from perturbation of original multi-criteria preferences. In addition, a novel data perturbation approach was introduced to mitigate the adverse effects of unusual user ratings on prediction accuracy. The proposed schemes are experimentally evaluated on three subsets of Yahoo!Movies multi-criteria preference dataset to demonstrate the effects of the proposed privacy-preserving schemes on both user privacy levels and prediction accuracy for differing sparsity rates. According to the obtained experimental outcomes, the proposed schemes can produce significantly more accurate predictions while maintaining an identical level of privacy provided by the traditional privacy protection scenario.