本文针对现有数据定价算法未考虑隐私因素的影响,尚没有基于交易数据集的隐私度量方法,现有数据元组定价方法耗时较长等问题,提出了两种针对交易数据集的隐私度量方法,并以隐私度量为核心提出了一种基于元组的数据定价方法,最后通过实验证明本文提出理论的合理性。本文的具体工作及获得的成果如下:(1)提出了“隐私级别”和“数据集描述对象”两个隐私度量参数和一种基于信息熵的隐私度量方法。根据交易数据集描述内容的不同,对交易数据集的属性进行隐私分级,并确定数据集的描述对象,结合Shannon信息论知识,提出了一种基于信息熵的隐私度量度量方法,其可计算出交易数据集和各元组的隐私含量。(2)提出了一种基于集对分析的隐私度量方法。前文提出的基于信息熵的隐私度量方法,虽然能够准确衡量交易数据集中的隐私含量。但是,数据交易平台在进行数据买卖的过程中往往会对数据进行部分脱敏处理。因此,本文利用集对分析理论,首先对数据集进行隐私保护,去除交易数据集中的部分敏感信息;再通过将各属性信息进行联结,对计算出的元组相对信息泄露集对势熵和相对信息泄露集对记分函数熵进行转化,即可求得元组的隐私含量。(3)提出一种以隐私度量为核心的元组定价方法。基于本文提出的隐私度量方法计算出的隐私度量值,结合数据引用指数,构建一个二元组作为影响元组价格的因素,并为每个因素分配权重。计算各个元组中各因素占交易数据集因素的比率,再与权重进行结合,以交易数据集的价格为基准,即可算出数据集中各元组的价格。(4)定价机制的实验验证。编写数据定价仿真系统,利用网络爬虫获取的交易数据集进行实验。实验结果表明,本论文提出的隐私度量方法能够较好地计算出数据集中各元组的隐私含量,而且本文提出的元组定价方法相较于传统的元组定价方法具有更高的定价准确率和更低的时间复杂度。