Otokodlayıcı tabanlı gizliliği koruyan ortak filtreleme

Gizliliği koruyan ortak filtreleme sistemleri, kullanıcıların mahremiyetlerini ihlal etmeden onlara kişiselleştirilmiş öneriler sunan etkili yaklaşımlardır. Ancak rastgele karıştırma tekniklerine dayalı veri gizleme yaklaşımları gerçek kullanıcı verisi üzerinde bozulmaya neden olduğundan sistemin öneri üretme başarısını olumsuz yönde etkilemektedir. Özellikle yüksek gizlilik seviyelerine ulaşmak için yapılan veri gizleme işlemlerinde öneri doğruluğunda ortaya çıkan kayıplar oldukça fazladır. Bu çalışmada, rastgele karıştırma teknikleri ile maskelenen gerçek kullanıcı oy değerlerinin öneri doğruluğu kayıplarını hafifletmek için otokodlayıcı tabanlı bir öneri üretme yaklaşımı kullanılmıştır. Book-Crossing referans alınarak üretilen veri seti üzerinde rastgele karıştırma teknikleri kullanılarak farklı gizlilik seviyelerinde üretilen maskelenmiş veri setlerinin öneri doğrulukları geleneksel hafıza tabanlı komşuluk algoritması ve otokodlayıcı tabanlı öneri üretme yaklaşımları ile analiz edilmiştir. Otokodlayıcı tabanlı öneri üretme sistemi çeşitli gizli katman sayıları (2, 3 ve 4) ve aktivasyon fonksiyonları (tanh, elu, selu ve lineer) ile test edilmiştir. Deneysel çalışmalar sonucunda, rastgele karıştırma tekniği kullanılarak maskelenmiş veri seti üzerinde otokodlayıcı tabanlı öneri üretme yaklaşımının geleneksel komşuluk tabanlı yaklaşımlarına göre tahmin doğruluğunu önemli ölçüde arttırdığı gösterilmiştir. Değişken gizlilik seviyelerine göre ortalama mutlak hata değerleri incelendiğinde, geleneksel komşuluk tabanlı ortak filtreleme yaklaşımda sırasıyla en düşük ve en yüksek gizlilik seviyelerindeki hata değerleri 1,395 ve 2,249 iken, otokodlayıcı tabanlı ortak filtreleme yaklaşımında bu değerler 1,208 ve 1,313 olarak elde edilmiştir. Sonuç olarak, otokodlayıcı tabanlı ortak filtreleme sistemi yükselen gizlilik seviyelerine bağlı olarak veri setinde ortaya çıkan bozulmaları daha iyi tolere edebilmekte, kullanıcıya yüksek mahremiyet seviyeleri sağlandığında da yüksek doğrulukta öneriler üretebilmektedir.