论文部分内容阅读
为了提高挖掘结果的准确性，提出基于样例学习和项集同步随机化的隐私保护频繁模式挖掘方法（learning and synchronized privacy preserving frequent pattern mining，简称LS-PPFM）．该方法充分利用不需要隐私保护的个体数据，首先对不需要保护的数据学习，得到样例数据中蕴涵的强关联项，然后在对数据随机化时，将强关联项绑定在一起作同步随机化变换，以保持项与项之间的潜在关联性．实验结果表明，相对于项独立随机化，LS-PPFM能够在略微牺牲一定的隐私保护