Otokodlayıcı tabanlı gizliliği koruyan ortak filtreleme

Abstract

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.Privacy-preserving collaborative filtering systems are effective approaches that provide personalized recommendations to users without violating their privacy. However, data disguising approaches based on randomized perturbation techniques cause corruption in genuine user data and negatively affect the system’s success in generating recommendations. Especially in data disguising processes to achieve high privacy levels, the losses in recommendation accuracy are quite high. In this study, an autoencoder-based recommendation generation approach was used to alleviate the recommendation accuracy losses of genuine user ratings disguised by randomized perturbation techniques. The recommendation accuracies of disguised data sets produced at different privacy levels using randomized perturbation techniques on the data set produced with Book-Crossing as a reference were analyzed with traditional memory-based neighborhood algorithms and autoencoder-based recommendation generation approaches. The autoencoder-based recommendation generation system was tested with various hidden layer numbers (2, 3, and 4) and activation functions (tanh, elu, selu, and linear). As a result of experimental studies, it was shown that the autoencoder-based recommendation generation approach on the disguised data set using a randomized perturbation technique significantly increased the recommendation accuracy compared to traditional neighborhood-based approaches. When the mean absolute error values were examined via varying privacy levels, the error values at the lowest and highest privacy levels were 1.395 and 2.249, respectively, in the traditional neighborhood-based collaborative filtering approach, while these values were 1.208 and 1.313 in the autoencoder-based collaborative filtering approach. In conclusion, the autoencoder-based collaborative filtering system can better tolerate the distortions that occur in the data set due to increasing privacy levels and can produce high-accuracy recommendations when high privacy levels are provided to the user.