An efficient privacy-preserving point-of-interest recommendation model based on local differential privacy
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract With the rapid development of point-of-interest (POI) recommendation services, how to utilize the multiple types of users’ information safely and effectively for a better recommendation is challenging. To solve the problems of imperfect privacy-preserving mechanism and insufficient response-ability to complex contexts, this paper proposes a hybrid POI recommendation model based on local differential privacy (LDP). Firstly, we introduce randomized response techniques k -RR and RAPPOR to disturb users’ ratings and social relationships, respectively and propose a virtual check-in time generation method to deal with the issue of missing check-in time after disturbance. Secondly, for simultaneously combining multiple types of information, we construct a hybrid model containing three sub-models. Sub-model 1 considers the effect of user preference, social relationship, forgetting feature, and check-in trajectory on similarity calculation. Sub-model 2 analyzes the geographical correlation of POIs. Sub-model 3 focuses on the categories of POIs. Finally, we generate the recommendation results. To test the performance of privacy-preserving and recommendation, we design three groups of experiments on three real-world datasets for comprehensive verifying. The experimental results show that the proposed method outperforms existing methods. Theoretically, our study contributes to the effective and safe usage of multidimensional data science and analytics for privacy-preserving POI recommender system design. Practically, our findings can be used to improve the quality of POI recommendation services.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,036 | 0,060 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle