Privacy-preserving collaborative filtering on arbitrarily partitioned data

Ortak süzgeçleme amacıyla toplanan veriler iki firma hatta rakip şirketler arasında rastgele şekilde bölünmüş olabilir. Sanal alışveriş siteleri yetersiz kullanıcı oylarına sahip olabilirler. Yetersiz veri, hatalı ve güvenilir olmayan öneriler üretmeye sebep olabilir. Güvenilir öneriler sağlamak için bu şirketlerin parçalanmış tercih verileri üzerinden işbirliği yapmaları bir çözüm olabilir. Bununla birlikte gizlilik endişelerinden dolayı, e-ticaret sitelerinin bu şekilde dağılmış veri üzerinden daha iyi ortak süzgeçleme hizmetleri sağlamaları ciddi bir sorun teşkil etmektedir. Gizlilik sağlanmadığı takdirde, bu şirketlerin idari süreçlerinde ciddi hukuki ve finansal çıkmazlarla karşı karşıya gelmesi durumu söz konusudur.Bu çalışma iki sanal alışveriş sitesinin gizliliklerini tehlikeye atmadan rastgele bölünmüş veri üzerinden nasıl öneri üretebileceklerini incelemeyi amaçlamaktadır. Ürün-tabanlı, güven-tabanlı ve basit Bayes sınıflandırıcı-tabanlı algoritmalar kullanılarak rastgele bölünmüş veriler üzerinden nümerik ve ikili öneriler üreten gizlilik korumalı yöntemler önerilecektir. Çalışmada ayrıca çapraz bölünmüş verilere sahip iki şirketin hibrit ortak süzgeçleme algoritmaları kullanarak nasıl öneriler üreteceği ele alınmıştır. Önerilen her bir metod gizlilik açısından irdelenecektir. Ayrıca, önerilen yöntemler ilave hesaplama, haberleşme ve saklama yükleri açısından da incelenecektir. İşbirliğinin öneri kalitesini nasıl artırdığını ve gizlilik ölçütlerinin doğruluğu nasıl etkilediğini göstermek için gerçek verilerle deneyler yapılacaktır. Bütün incelemeler ve deney sonuçları önerilen çözümlerin rastgele bölünmüş veriler üzerinden e-ticaret sitelerinin gizliliklerini ihlal etmeden ve etkin bir şekilde daha kaliteli öneriler üretmek için tercih edilebileceğini göstermiştir.