Diferansiyel gizli komşuluk-tabanlı çoklu-kriterli öneri sistemi

Öneri sistemleri, kullanıcıların geçmiş tercihlerini ve etkileşimlerini analiz ederek kişiselleştirilmiş içerik önerileri sunan önemli araçlardır. Bu sistemlerde yaygın olarak kullanılan işbirlikçi filtreleme teknikleri, kullanıcı benzerliklerine dayanarak tahmin üretmektedir. Tek-kriterli sistemlerin sınırlı yapısı karşısında çoklu-kriterli işbirlikçi filtreleme yaklaşımları, daha doğru ve kişiselleştirilmiş öneriler sunma potansiyeli ile dikkat çekmektedir. Ancak, öneri sistemlerinde kullanıcı verilerinin yoğun kullanımı, ciddi gizlilik risklerini beraberinde getirmektedir. Literatürdeki çalışmaların çoğu, hizmet sağlayıcıların güvenilir olduğu varsayımına dayansa da bu güven her zaman sağlanamayabilir. Bu nedenle, veriyi kullanıcı tarafında koruyan yerel diferansiyel gizlilik temelli yaklaşımlar giderek daha önemli hale gelmiştir. Bu çalışmada, yerel diferansiyel gizliliğe-dayalı üç farklı diferansiyel gizlilik mekanizması – Standart Laplace Mekanizması, Sınırlı Laplace Mekanizması ve Kırpılmış Laplace Mekanizması – kullanılarak gizliliği korunan çoklu-kriterli işbirlikçi filtreleme prosedürü geliştirilmiştir. İki farklı gerçek veri seti üzerinde gerçekleştirilen deneylerde, farklı gizlilik seviyelerinde öneri doğruluğu değerlendirilmiştir. Sonuçlar, önerilen yöntemin gizliliği sağlarken öneri kalitesini koruduğunu göstermektedir. Bu yönüyle çalışma, yerel diferansiyel gizliliğin çok-kriterli öneri sistemlerine entegrasyonu açısından literatüre önemli katkılar sunmaktadır. Anahtar Sözcükler: Çoklu-kriterli öneri sistemleri, Diferansiyel gizlilik, İşbirlikçi filtreleme