دانلود مقاله ترجمه شده پيشنهادهاي مبتني بر توزيع دلخواهانه داده داراي حريم خصوصي


چطور این مقاله مهندسی کامپیوتر و IT را دانلود کنم؟

فایل انگلیسی این مقاله با شناسه 2003879 رایگان است. ترجمه چکیده این مقاله مهندسی کامپیوتر و IT در همین صفحه قابل مشاهده است. شما می توانید پس از بررسی این دو مورد نسبت به خرید و دانلود مقاله ترجمه شده اقدام نمایید

قیمت :
1,270,000 ریال
شناسه محصول :
2003879
سال انتشار:
2012
حجم فایل انگلیسی :
655 Kb
حجم فایل فارسی :
723 کیلو بایت
نوع فایل های ضمیمه :
Pdf+Word
کلمه عبور همه فایلها :
www.daneshgahi.com

عنوان فارسي

پيشنهادهاي مبتني بر توزيع دلخواهانه داده داراي حريم خصوصي

عنوان انگليسي

Arbitrarily distributed data-based recommendations with privacy

نویسنده/ناشر/نام مجله

Data & Knowledge Engineering

این مقاله چند صفحه است؟

این مقاله ترجمه شده مهندسی کامپیوتر و IT شامل 18 صفحه انگلیسی به صورت پی دی اف و 42 صفحه متن فارسی به صورت ورد تایپ شده است

چکیده فارسی


چکيده

سيستم هاي فيلترينگ همبستگي (CF) ـ پالايش اجتماعي ـ از علائق مشتريان درمورد محصولات مختلف جهت ارائه پيشنهادات استفاده مي کنند. ارائه پيش بيني هاي دقيق و قابل اعتماد براي هر دو گروه شرکت تجارت الکترونيک و مشتريان آنها بسيار حياتي است. سيستم هاي CF براي ارائه اينگونه ارجاع ها، بايد اطلاعات کافي داشته باشد. مواقعي که داده ها براي اهداف CF توسط يک سرور مرکزي نگهداري ميشود، ارائه پيشنهادات کار ​​آساني است. بهرحال، امکان دارد علائق مشتريان در قالب رتبه بندي بين دو فروشنده تقسيم مي شود. براي عرضه پيش قابل اعتماد و صحيح، اين قبيل شرکتها ممکن است تمايل به همکاري داشته باشند. با توجه به نگراني هاي حريم خصوصي، ترس مالي و مسائل حقوقي، ممکن است بخش ها تمايلي به افشاي داده هاي خود براي يکديگر نداشته باشند.

در اين مطالعه چگونگي تخمين پيش بيني هاي مبتني بر داده روي داده هاي توزيع شده دلخواهانه بين دو سايت تجارت الکترونيک (بدون به خطر افتادن جدي حريم خصوصي شان) را به دقت بررسي نموديم. طرح پيشنهادي را از نظر حريم خصوصي تجزيه و تحليل و نشان مي دهيم که محرمانه بودن مالکين داده ها به شدت نقص نمي شود. آزمايشات را با استفاده از مجموعه اطلاعات واقعي انجام داده تا چگونگي بهبود پوشش و کيفيت پيش بيني هاي ناشي از همکاري، نشان دهيم. همچنين اين طرح را از لحاظ عملکرد آنلاين بررسي و نشان داديم که هزينه هاي آنلاين مکمل ناشي از حريم خصوصي، قابل اغماض مي باشند. علاوه بر اين آزمايشاتي را جهت نمايش تأثير دقت روي نگراني هاي حفظ حريم خصوصي (Privacy) انجام داديم . نتايج ما نشان داد که دقت و پوشش با توجه به همکاري بهبود مي يابد؛ و طرح پيشنهاد شده قادر به ارائه پيش بيني هاي درست با نگراني هاي حريم خصوصي است.

1-مقدمه

اخيراً سيستم هاي پيشنهاد گر تبديل به جزء بسيار ضروري و همه کاره برنامه هاي کاربردي کسب و کار الکترونيکي شده اند [1]. فيلترينگ مشارکتي (CF) يک روش مؤثر براي پيشنهاد اقلام مطابق با سليقه هاي مشتريان مي باشد. طرز کار اصليCF اين است که کاربراني که درگذشته آيتم هاي مشابه را انتخاب مي کرده اند، در آينده نيز به آيتم هاي مشابهي علاقه مند خواهند بود[2]. سيستم هاي CF با توجه به سليقه و رفتار کاربران در خريد، يک پروفايل براي آنها ايجاد و سپس سليقه ها و فرايند تصميم گيري در فعاليتهايي از قبيل خريد، گوش دادن، تماشا و ... هدايت مي کنند....

حريم خصوصي داده کاوی توزيع دلخواهانه داده فيلترينگ همبستگي دقت :کلمات کلیدی

چکیده انگلیسی


Abstract

Collaborative filtering (CF) systems use customers' preferences about various products to offer recommendations. Providing accurate and reliable predictions is vital for both e-commerce companies and their customers. To offer such referrals, CF systems should have sufficient data. When data collected for CF purposes held by a central server, it is an easy task to provide recommendations. However, customers' preferences represented as ratings might be partitioned between two vendors. To supply trustworthy and correct predictions, such companies might desire to collaborate. Due to privacy concerns, financial fears, and legal issues; however, the parties may not want to disclose their data to each other.

In this study, we scrutinize how to estimate item-based predictions on arbitrarily distributed data (ADD) between two e-commerce sites without deeply jeopardizing their privacy. We analyze our proposed scheme in terms of privacy; and demonstrate that the method does not intensely violate data owners' confidentiality. We conduct experiments using real data sets to show how coverage and quality of the predictions improve due to collaboration. We also investigate our scheme in terms of online performance; and demonstrate that supplementary online costs caused by privacy measures are negligible. Moreover, we perform trials to show how privacy concerns affect accuracy. Our results show that accuracy and coverage improve due to collaboration; and the proposed scheme is still able to offer truthful predictions with privacy concerns

Keywords: Privacy Data mining Arbitrarily distributed data Collaborative filtering Accuracy
کتابخانه الکترونیک
دانلود مقالات ترجمه شده
جستجوی مقالات
با انتخاب رشته مورد نظر خود می توانید مقالات ترجمه شده آن رو به صورت موضوع بندی شده مشاهده نمایید