基于差分隐私的频繁项集挖掘方法研究

目录

声明

致谢

变量注释表

1 绪论

1.1 概述

1.2 国内外研究现状

1.3 本文的主要研究内容

1.4 本文的组织结构

2 隐私保护模型以及频繁项集挖掘方法

2.1 基于频繁项集的关联规则挖掘

2.2 频繁项集挖掘算法

2.2.1 Apriori算法

2.2.2 FP Growth算法

2.3 隐私保护模型

2.4 ε-差分隐私保护模型

2.4.1 Laplace 机制

2.4.2 指数机制

2.5 攻击模型

2.6 基于差分隐私的频繁项集挖掘

2.7 本章小结

3 构筑缩短数据集

3.1 一个新的事务缩短策略

3.2 去除由于事务缩短策略产生的冗余

3.3 实验与分析

3.3.1 实验设置

3.3.2 实验结果及分析

3.4 本章小结

4 带噪频繁项集挖掘

4.1 双支持度阈值

4.2 支持度修正策略

4.3 带噪频繁?项集挖掘

4.4.1 实验设置

4.4.2 实验结果与分析

4.5 本章小结

5 新算法的隐私性及有效性

5.1 新的基于差分隐私保护的频繁项集挖掘算法

5.2 新算法的隐私性

5.3 实验与分析

5.3.1 实验设置

5.3.2 实验结果与分析

5.4 本章小结

6 利用概念格提升挖掘效率

6.1 优化 Eclat算法

6.2 基于优化 Eclat挖掘模型的带噪频繁项集挖掘

6.3.1 实验设置

6.3.2 实验结果与分析

6.4 本章小结

7 总结与展望

7.1 总结

7.2 展望未来

参考文献

作者简历

学位论文原创性声明

学位论文数据集