The use of spatial granules avoids

The use of spatial granules avoids the release of precise users’ location to the recommender system, for privacy reasons. Then, the POI-Ti-Dico server queries the differentiallyprivate statistics to retrieve the top-k POIs for the user; i.e., those POIs in G that received the highest number of preferences from users of stereotype S, and belonging to an interest category in I. If too few POIs satisfy the required conditions, the query is smoothed by generalizing its spatial extent, until the desired number of POIs is obtained.

B. Algorithms
The pseudo-code of the algorithm for the extraction of differentially-private statistics is reported in Algorithm 1. The algorithm takes as input the original POI recommendation repository prefDB, the set S of stereotypes, the set P of POIs, and the privacy budget b; the latter corresponds to the  parameter in formula (1) reported in Section II-B. The higher the privacy budget, the more information is released to a possible adversary. Since each query consumes part of the available privacy budget, at first (line 3) the actual budget b to be spent for each query is calculated by dividing the total budget by the number of queries to be submitted (one for each POI). After retrieving the original tuples Us regarding users with stereotype s from the POI preference database (line 5), we instantiate a PINQ [17] agent to manage the privacy budget (line 6). The PINQ agent is in charge of guaranteeing that the budget is not exceeded when answering to multiple queries over the same dataset. In line 7, we instantiate an object Us with the preference tuples, which can be queried in a differentially-private fashion according to the agent policies. Then (lines 9 and 10), we query Us to count, applying differential privacy, the number of recommendation by users of stereotype s for each POI p; for each query, we spend a budget b. We repeat this procedure for each stereotype in S (lines 4 to 12). Finally, the obtained differentially-private statistics DPS are returned.

The above statistics are used by the POI-recommendations algorithm (Algorithm 2) to retrieve actual POIs recommendations upon user’s request. The algorithm takes as input also the requested number k of recommendations, the spatial granule g that includes the user, her stereotype s, her interest categories I, and the set of POIs P. The set G of spatial granules in which POIs are searched is instantiated with g (line 3), and the set R of POIs to be recommended is instantiated with the empty set (line 4). Then (lines 5 to 14), the algorithm queries the DPS until the desired number of POIs is reached. At first, the initial candidate set C of POIs (i.e., those in G and belonging to at least one category in I) is retrieved (line 6). From that set, we select those POIs that received a large number of preferences from users of stereotype s, to create a new set Rc of POIs to be actually recommended to the user (line 7). If Rc contains too few POIs (lines 8 to 10), we enlarge the query region G to include contiguous spatial granules, and we repeat the algorithm from line 5. Otherwise (lines 11 to 13), we get the k POIs in Rc that received the highest number of preferences from users in s, and return them to the user.

ผลลัพธ์ (ไทย) 1:

เปิดตัวสถานที่แม่นยำของผู้ใช้ระบบผู้แนะนำ ส่วนเหตุผลหลีกเลี่ยงการใช้ของ spatial เม็ด ปอย-Ti-Dico เซิร์ฟเวอร์ queries สถิติ differentiallyprivate เรียกตัว k ด้านบนจุดที่น่าสนใจสำหรับผู้ใช้ เช่น ที่จุดที่น่าสนใจใน G ที่ได้รับหมายเลขสูงสุดของการตั้งค่าจากผู้ใช้ตายตัว S และเป็นส่วนหนึ่งของประเภทสนใจในฉัน จุดที่น่าสนใจน้อยเกินไปตอบสนองเงื่อนไขจำเป็น แบบสอบถามจะถูกปรับให้เรียบ โดย generalizing เป็นขอบเขตเชิงพื้นที่ จนกว่าจะได้รับตามจำนวนจุดที่น่าสนใจB.อัลกอริทึมรหัสหลอกของอัลกอริทึมการสกัดส่วนแตกต่างกันสถิติรายงานในอัลกอริทึม 1 ใช้อัลกอริทึมเป็นอินพุตเดิมปอยแนะนำเก็บ prefDB, S การตั้งค่าของตน การตั้งค่า P ของจุดที่น่าสนใจ และ b งบประมาณความเป็นส่วนตัว หลังตรงกับพารามิเตอร์ในสูตรที่ (1) รายงานในส่วนที่สอง-b สูงกว่างบประมาณส่วนบุคคล ข้อมูลเพิ่มเติมออกไปโมโหเป็นไปได้ เนื่องจากแต่ละแบบสอบถามที่ใช้เป็นส่วนหนึ่งของงบประมาณมีความเป็นส่วนตัว ในครั้งแรก (สาย 3) b งบประมาณจริงที่ใช้สำหรับแต่ละแบบสอบถามคำนวณ โดยการหารงบประมาณรวมจากจำนวนแบบสอบถามจะส่ง (หนึ่งสำหรับแต่ละปอย) หลังจากดึง tuples เดิมเราเกี่ยวกับผู้ใช้ที่มี s เหมารวมจากฐานข้อมูลการตั้งค่า POI (สาย 5), เราสร้างอินสแตนซ์ตัวแทน PINQ [17] การจัดการงบประมาณความเป็นส่วนตัว (สาย 6) ตัวแทน PINQ รับผิดชอบรับรองว่า งบประมาณไม่เกินเมื่อตอบแบบสอบถามหลายบนชุดข้อมูลเดียวกัน ในบรรทัดที่ 7 เราสร้างอินสแตนซ์ของวัตถุเรา ด้วย tuples กำหนดลักษณะ ซึ่งสามารถถูก queried ในแฟชั่นส่วนตัวแตกต่างกันตามนโยบายแทน แล้ว (บรรทัดที่ 9 และ 10), เราแบบสอบถามเรานับจำนวน ใช้เป็นส่วนตัวแตกต่าง จำนวนที่ใช้ในการแนะนำผู้ใช้ของ s ตายตัวสำหรับแต่ละปอย p สำหรับแต่ละแบบสอบถาม เราใช้งบประมาณข เราทำซ้ำกระบวนการนี้สำหรับแต่ละแบบใน S (สาย 4-12) ในที่สุด สถิติส่วนตัวแตกต่างกันได้รับ DPS จะส่งคืนสถิติข้างต้นที่ใช้ POI แนะนำขั้นตอนวิธี (อัลกอริทึม 2) เรียกจุดที่น่าสนใจแนะนำจริงตามคำขอของผู้ใช้ อัลกอริทึมที่ใช้เป็น input ยัง k หมายเลขการร้องขอข้อเสนอแนะ g เม็ดเชิงพื้นที่ที่มีผู้ใช้ s เธอตายตัว ประเภทความสนใจของเธอ ผม และชุดของ P. จุดที่น่าสนใจ กรัมชุดของ spatial เม็ดจะค้นหาจุดที่น่าสนใจคือสด้วย g (สาย 3), และการตั้งค่า R ของจุดที่น่าสนใจจะแนะนำคือสด้วยเซตว่าง (สาย 4) แล้ว (บรรทัดที่ 5-14), อัลกอริทึมแบบสอบถาม DPS จนถึงตามจำนวนจุดที่น่าสนใจ ครั้งแรก เรียกผู้สมัครเบื้องต้นชุด C ของจุดที่น่าสนใจ (เช่น ผู้ที่อยู่ใน G และเป็นสมาชิกอย่างน้อยหนึ่งประเภทในฉัน) (สาย 6) จากนั้น เราเลือกจุดที่น่าสนใจเหล่านั้นที่ได้รับการตั้งค่าจำนวนมากจากผู้ใช้ของ s แบบตายตัว การสร้างแบบใหม่ชุด Rc ของจุดที่น่าสนใจไปจริงแนะนำให้กับผู้ใช้ (สาย 7) ถ้า Rc ประกอบด้วยจุดที่น่าสนใจน้อยเกินไป (8-10 บรรทัด), เราขยายพื้นที่สอบถาม G รวมเม็ดเชิงพื้นที่ที่อยู่ติดกัน เราทำซ้ำ แล้วอัลกอริทึมจากบรรทัด 5 อื่น ๆ (บรรทัด 11-13), เรา k จุดที่น่าสนใจใน Rc ที่ได้รับหมายเลขสูงสุดของการตั้งค่าจากผู้ใช้ใน s และส่งกลับไปให้ผู้ใช้

ผลลัพธ์ (ไทย) 2:

การใช้เม็ดเชิงพื้นที่หลีกเลี่ยงการเปิดตัวของที่ตั้งของผู้ใช้งานได้อย่างแม่นยำ 'กับระบบ recommender ที่เพื่อความเป็นส่วนตัว จากนั้นเซิร์ฟเวอร์ POI-Ti-Dico queries สถิติ differentiallyprivate เพื่อดึงจุดที่น่าสนใจบน K สำหรับผู้ใช้; คือจุดที่น่าสนใจผู้ที่อยู่ใน G ที่ได้รับจำนวนมากที่สุดของการตั้งค่าจากผู้ใช้ตายตัว S, และที่อยู่ในประเภทที่น่าสนใจใน I. หากจุดที่น่าสนใจน้อยเกินไปตามเงื่อนไขที่จำเป็นต้องใช้แบบสอบถามจะเรียบโดย generalizing ขอบเขตพื้นที่ของตนจนกว่าที่ต้องการ จำนวนจุดที่น่าสนใจจะได้รับ.

บี อัลกอริทึม
The-รหัสเทียมของขั้นตอนวิธีการสกัดของสถิติที่แตกต่างกันและเอกชนที่มีการรายงานในขั้นตอนวิธีการ 1. ขั้นตอนจะใช้เวลาเป็น input เดิมที่เก็บคำแนะนำ POI prefDB ชุด S แบบแผนชุด P จุดที่น่าสนใจและงบประมาณเป็นส่วนตัว B; หลังสอดคล้องกับ? พารามิเตอร์ในสูตร (1) รายงานในส่วน II-B สูงกว่างบประมาณความเป็นส่วนตัวให้ข้อมูลเพิ่มเติมที่จะถูกปล่อยออกไปยังฝ่ายตรงข้ามที่เป็นไปได้ เนื่องจากแต่ละแบบสอบถามสิ้นเปลืองงบประมาณส่วนหนึ่งของความเป็นส่วนตัวที่มีอยู่ในตอนแรก (สาย 3) งบประมาณที่เกิดขึ้นจริง B จะใช้สำหรับแต่ละแบบสอบถามคำนวณโดยการหารงบประมาณทั้งหมดจากจำนวนคำสั่งที่จะส่ง (สำหรับแต่ละจุดที่น่าสนใจ) หลังจากเรียก tuples เดิมเราเกี่ยวกับผู้ใช้ที่มีกฎตายตัว s จากฐานข้อมูลการตั้งค่า POI (สาย 5) เรายกตัวอย่าง PINQ [17] ตัวแทนในการจัดการงบประมาณของความเป็นส่วนตัว (สาย 6) ตัวแทน PINQ อยู่ในความดูแลของการรับประกันได้ว่างบประมาณที่ได้รับไม่เกินเมื่อตอบได้สอบถามไปยังหลายช่วงชุดเดียวกัน ในบรรทัดที่ 7 เรายกตัวอย่างวัตถุเรามีอันดับการตั้งค่าซึ่งสามารถสอบถามในแฟชั่นที่แตกต่างกันและเอกชนตามนโยบายตัวแทน แล้ว (สาย 9 และ 10) เราสอบถามเราจะนับการใช้ความเป็นส่วนตัวที่แตกต่างกันจำนวนของคำแนะนำโดยผู้ใช้ของตายตัวสำหรับแต่ละจุดที่น่าสนใจพี; สำหรับแต่ละแบบสอบถามที่เราใช้จ่ายงบประมาณ B เราทำซ้ำขั้นตอนนี้สำหรับแต่ละตายตัวใน S (สาย 4 ถึง 12) สุดท้ายที่ได้รับสถิติที่แตกต่างกันและเอกชน DPS จะถูกส่งกลับ.

สถิติข้างต้นจะถูกใช้โดย POI-คำแนะนำอัลกอริทึม (Algorithm 2) เพื่อดึงคำแนะนำจุดที่น่าสนใจที่เกิดขึ้นจริงตามคำขอของผู้ใช้ ขั้นตอนวิธีการป้อนข้อมูลจะเป็นยัง K ร้องขอจำนวนข้อเสนอแนะที่ G เม็ดเชิงพื้นที่ที่มีผู้ใช้ตายตัวเธอ S, หมวดหมู่ความสนใจของเธอผมและชุดของจุดที่น่าสนใจพีชุด G ของเม็ดเชิงพื้นที่ในการที่จะค้นหาจุดที่น่าสนใจคือ instantiated กับ G (สาย 3) และชุด R จุดที่น่าสนใจที่จะได้รับการแนะนำเป็นอินสแตนซ์กับชุดที่ว่างเปล่า (สาย 4) แล้ว (เส้น 5-14) อัลกอริทึมสอบถาม DPS จนถึงจำนวนที่ต้องการของจุดที่น่าสนใจจะมาถึง ตอนแรกเริ่มต้นผู้สมัครชุด C ของจุดที่น่าสนใจ (เช่นผู้ที่อยู่ใน G และที่อยู่ในหมวดหมู่อย่างน้อยหนึ่งใน I) จะถูกดึง (สาย 6) จากชุดที่เราเลือกจุดที่น่าสนใจที่ได้รับเป็นจำนวนมากของการตั้งค่าจากผู้ใช้ตายตัว S, การสร้างชุดใหม่ Rc จุดที่น่าสนใจที่จะได้รับการแนะนำจริงให้กับผู้ใช้ (สาย 7) หาก Rc มีน้อยเกินไปจุดที่น่าสนใจ (เส้น 8-10) เราขยายเขตแบบสอบถาม G เพื่อ ได้แก่ เม็ดเชิงพื้นที่ที่อยู่ติดกันและเราทำซ้ำขั้นตอนวิธีการจากบรรทัด 5. มิฉะนั้น (เส้น 11-13) ที่เราได้รับจุดที่น่าสนใจใน K Rc ว่า รับจำนวนมากที่สุดของการตั้งค่าจากผู้ใช้ใน s, และพวกเขากลับไปยังผู้ใช้

ผลลัพธ์ (ไทย) 3:

การใช้เม็ดพื้นที่การปล่อยตำแหน่งของผู้ใช้ที่แม่นยำเพื่อแนะนำระบบ เพื่อเหตุผลส่วนตัว งั้น , ฉันพูดกับคุณปอย ทิ differentiallyprivate เซิร์ฟเวอร์แบบสอบถามสถิติการเรียก top-k นำทางสำหรับผู้ใช้ คือ ผู้นำทางในกรัมที่ได้รับจำนวนสูงสุดของการตั้งค่าจากผู้ใช้ธรรมดา และเป็นประเภทที่น่าสนใจในผม ถ้าน้อยเกินไปนำทางตรงกับเงื่อนไขที่ต้องเรียบ โดยแบบสอบถามมีขอบเขตของมัน Generalizing อวกาศ จนกระทั่งหมายเลขที่ต้องการของนำทางจะได้รับบี อัลกอริทึมจากรหัสเทียมของขั้นตอนวิธีสำหรับการสกัดต่างกัน ส่วนสถิติ รายงาน ในขั้นตอนที่ 1 ขั้นตอนวิธีที่ใช้เป็น input เดิมปอยแนะนำเก็บ prefdb , ชุดของแบบแผน , ชุด P ของนำทาง และความเป็นส่วนตัวของงบประมาณ B ; หลังสอดคล้องกับตัวแปรในสูตร ( 1 ) รายงานในส่วน ii-b. สูงกว่างบประมาณส่วนตัว ข้อมูลเพิ่มเติมจะถูกปล่อยให้คู่ต่อสู้ได้ เนื่องจากในการใช้ส่วนหนึ่งของงบประมาณส่วนตัวใช้ได้ ตอนแรก ( สาย 3 ) งบประมาณที่แท้จริง B จะใช้สำหรับแต่ละแบบสอบถามคำนวณโดยการหารงบประมาณทั้งหมดจากจำนวนแบบสอบถามที่ต้องยื่น ( หนึ่งสำหรับแต่ละ POI ) หลังจากเรียกเดิมที่มีผู้ใช้กับเราเกี่ยวกับมโนทัศน์จาก POI การตั้งค่าฐานข้อมูล ( 5 สาย ) เรายกตัวอย่างเป็น pinq [ 17 ] เจ้าหน้าที่บริหารงบประมาณความเป็นส่วนตัว ( บรรทัดที่ 6 ) การ pinq เจ้าหน้าที่รับผิดชอบในการรับประกันว่า งบประมาณไม่เกินเมื่อตอบแบบสอบถามผ่านชุดข้อมูลเดียวกัน ใน 7 บรรทัด เรายกตัวอย่างวัตถุที่เราชอบทูเปิล ซึ่งสามารถสอบถามในแฟชั่นที่แตกต่างกันส่วนบุคคลตามเจ้าหน้าที่นโยบาย แล้ว ( สาย 9 และ 10 ) เราถามเรา นับ การใช้ค่าความเป็นส่วนตัว จำนวนของข้อเสนอแนะจากผู้ใช้ธรรมดาสำหรับแต่ละ POI P ; สำหรับแต่ละแบบสอบถามที่เราใช้จ่ายงบประมาณพ. เราทำซ้ำขั้นตอนนี้สำหรับแต่ละมโนทัศน์ใน S ( บรรทัดที่ 4 ถึง 12 ) ในที่สุด , ได้รับต่างกัน ส่วนสถิติ DPS จะส่งกลับสถิติดังกล่าวจะถูกใช้โดยคำแนะนำขั้นตอนวิธี ( algorithm ปอย 2 ) เพื่อดึงข้อจริงนำทางตามความต้องการของผู้ใช้ ขั้นตอนวิธีที่ใช้เป็น input ยังขอเลขที่ K แนะนำพื้นที่ทราย G ที่มีผู้ใช้ธรรมดาของเธอ เธอสนใจประเภทผมและชุดนำทางหน้าชุดกรัมเม็ดปริภูมิค้นหา ซึ่งนำทางเป็น instantiated G ( สาย 3 ) และชุด R ของนำทางให้จะแนะนำ instantiated กับเซตว่าง ( สาย 4 ) แล้ว ( สาย 5 ถึง 14 ) , ขั้นตอนวิธีการค้นหา DPS ที่ต้องการจนครบจำนวนนำทางไปถึง ที่แรก , ครั้งแรกผู้สมัครชุด C ของนำทาง ( เช่นผู้ที่อยู่ใน g และเป็นของประเภทอย่างน้อยหนึ่งในฉัน ) ออกมา ( บรรทัดที่ 6 ) จากที่เราเลือก คนที่นำทางที่ได้รับจำนวนมากของการตั้งค่าจากผู้ใช้ของมโนทัศน์ของการสร้างชุดใหม่ของ RC นำทางที่จะต้องแนะนำให้ผู้ใช้ ( 7 บรรทัด ) ถ้า RC มีไม่กี่ด้วยนำทาง ( สาย 8 ถึง 10 ) , เราได้ขยายเขตการสอบถามรวมติดกันพื้นที่เม็ด และเราขอย้ำว่าขั้นตอนวิธีการจากบรรทัด 5 มิฉะนั้น ( สาย 11 กับ 13 ) เราได้รับ K นำทางใน RC ที่ได้รับจำนวนสูงสุดของการตั้งค่าจากผู้ใช้ในและกลับไปยังผู้ใช้