Abstract：
现有基于ε-差分隐私模型的频繁模式挖掘算法存在全局敏感度过高与挖掘结果可用性较低的不足.本文设计出一个基于事务截断的差分隐私频繁模式挖掘算法.算法首先采用基于指数机制的事务截断思想,对长事务进行截断处理,以有效降低算法的全局敏感度,并在此基础上提出基于事务截断的差分隐私频繁模式挖掘算法,而后提出可用于扩充Apriori算法候选集的最小噪声支持度标准,以进一步提升挖掘结果的可用性.实验对本文算法的频繁模式挖掘结果与同类算法进行比较分析.实验结果表明,本文算法可在满足ε-差分隐私的前提下,保证挖掘结果具有较高的可用性.
Keyword：
Reprint 's Address：
Email：
Source ：
Year： 2014
Page： 1-8
Language： Chinese
Cited Count：
SCOPUS Cited Count：
ESI Highly Cited Papers on the List： 0 Unfold All
WanFang Cited Count： -1
Chinese Cited Count：
30 Days PV： 1
Affiliated Colleges：
