针对现有社交网络中的度量模型很少考虑到用户的主观感受,导致度量不准确等问题,提出了一种结合隐私偏好的隐私度量方法。对用户属性的可提取度、获取难度和隐私偏好度进行量化,使用CMDPC(coefficient of variation and multi cluster m...针对现有社交网络中的度量模型很少考虑到用户的主观感受,导致度量不准确等问题,提出了一种结合隐私偏好的隐私度量方法。对用户属性的可提取度、获取难度和隐私偏好度进行量化,使用CMDPC(coefficient of variation and multi cluster merging strategy density peaks clustering)算法对用户进行聚类,结合属性的敏感度,得到用户的隐私分数。利用用户属性的隐私偏好度反映了用户主观感受。CMDPC算法对用户进行聚类提升了效率和准确性,实现了对用户属性的快速准确度量。实验结果表明,该模型反映了用户的主观感受,并提高了度量结果的时效性和准确性。展开更多
文摘针对现有社交网络中的度量模型很少考虑到用户的主观感受,导致度量不准确等问题,提出了一种结合隐私偏好的隐私度量方法。对用户属性的可提取度、获取难度和隐私偏好度进行量化,使用CMDPC(coefficient of variation and multi cluster merging strategy density peaks clustering)算法对用户进行聚类,结合属性的敏感度,得到用户的隐私分数。利用用户属性的隐私偏好度反映了用户主观感受。CMDPC算法对用户进行聚类提升了效率和准确性,实现了对用户属性的快速准确度量。实验结果表明,该模型反映了用户的主观感受,并提高了度量结果的时效性和准确性。
