基于事务分离的差分隐私频繁项集挖掘方法

摘要：

频繁项集挖掘在加入差分隐私后将带来敏感度过高、噪声过大、数据可用性较差的问题.为了解决这些问题,提出了基于事务分离的差分隐私频繁项集挖掘方法.利用指数机制对事务最大限制长度进行筛选,将长事务分离成为多个短事务,以此降低全局敏感度并避免截断误差的产生.在数据挖掘过程中,采用Apriori算法挖掘频繁项集,利用双阈值进行项集判断以及修正支持度,减小传输误差的产生和噪音.实验结果表明,该方法满足差分隐私的要求,可有效提高数据可用性.

关键词：频繁项集挖掘、ε-差分隐私、事务分离、双阈值、支持度修正

所属期刊栏目：44

分类号：TP309(计算技术、计算机技术)

资助基金：国家重点研发计划2018YFC0808302

在线出版日期：2023-02-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：45-51