The service provider is defined as

The service provider is defined as the entity that wantsto cluster users based on their private preference vectors. Each user also participates in the clustering computations, and a set of users, named helper users, are chosen randomly to perform additional tasks. As the number of user sets increases, it becomes easier to parallelize operations and thus achieve better performance. However, this setting with one set of users and a single helper user can also be considered to realize clustering algorithms for the scenarios with multiple entities, each having a private database: users belong to different entities, and the helper user becomes a privacy service provider [4]. Thus, our construction can easily be reshaped according to the application. In this paper, we choose the K-means clusterin algorithm for finding the group of similar people based on their similarities. We choose the K-means algorithm since it is known to be a very efficient data mining tool that is widely used in practice as its implementation is simple and the algorithm converges quickly [5]. Our goal is to provide an efficient, privacy-preserving version of the clustering algorithm. Even though the idea of processing encrypted data for clustering has been addressed before in the literature, its realization in an efficient way has been a challenge. To improve the state of the art, we contribute in the following aspects:

ผลลัพธ์ (ไทย) 1:

ผู้ให้บริการกำหนดเป็นเอนทิตีที่ผู้ใช้ wantsto คลัสเตอร์ตามเวกเตอร์ความชอบส่วนตัว ผู้ใช้ยังมีส่วนร่วมประมวลผลระบบคลัสเตอร์ และชุดของผู้ใช้ ชื่อผู้ช่วย จะถูกเลือกแบบสุ่มในการทำงานเพิ่มเติม เป็นเลขของผู้ใช้กำหนดขึ้น จะง่ายต่อการ parallelize การดำเนินงาน และให้ประสิทธิภาพที่ดีดังนั้น อย่างไรก็ตาม การตั้งค่านี้ชุดหนึ่งของผู้ใช้และผู้ช่วยเหลือเดียวยังจะถือว่ารู้อัลกอริทึมระบบคลัสเตอร์สำหรับสถานการณ์กับเอนทิตีหลาย แต่ละที่มีฐานข้อมูลส่วนตัว: กำหนดเอนทิตีอื่น และผู้ช่วยเหลือเป็น ผู้ให้บริการความเป็นส่วนตัว [4] ดัง ก่อสร้างเราสามารถเดินเป็น reshaped ตามแอพลิเคชัน ในเอกสารนี้ เราเลือกขั้นตอนวิธีของ clusterin K หมายถึงหากลุ่มคนคล้ายตามความคล้ายคลึงของพวกเขา เราเลือกอัลกอริทึมหมายถึง K เนื่องจากเป็นที่รู้จักกันให้ มากข้อมูลการทำเหมืองแร่เครื่องมือที่จะใช้ในทางปฏิบัติเป็นการดำเนินเรื่อง และอัลกอริธึม converges รวดเร็ว [5] เป้าหมายของเราคือเพื่อ ให้รุ่นมีประสิทธิภาพ รักษาความเป็นส่วนตัวของอัลกอริทึมระบบคลัสเตอร์ แม้ว่าความคิดของการประมวลผลข้อมูลที่เข้ารหัสสำหรับคลัสเตอร์มีการจัดการก่อนที่จะในวรรณคดี การรับรู้ในวิธีที่มีประสิทธิภาพได้รับความท้าทาย การปรับปรุงทันสมัย เรามีส่วนร่วมในด้านต่อไปนี้:

ผลลัพธ์ (ไทย) 2:

ผู้ให้บริการถูกกำหนดให้เป็นหน่วยงานที่ wantsto ผู้ใช้กลุ่มขึ้นอยู่กับการตั้งค่าเวกเตอร์ส่วนตัว ผู้ใช้แต่ละคนก็มีส่วนร่วมในการคำนวณการจัดกลุ่มและการตั้งค่าของผู้ใช้ชื่อผู้ใช้ผู้ช่วยจะสุ่มเลือกในการดำเนินงานเพิ่มเติม ในฐานะที่เป็นผู้ใช้จำนวนชุดที่เพิ่มขึ้นมันจะกลายเป็นเรื่องง่ายที่จะดำเนินงานคู่ขนานและทำให้เกิดประสิทธิภาพที่ดีขึ้น อย่างไรก็ตามการตั้งค่านี้มีหนึ่งชุดของผู้ใช้และผู้ใช้ผู้ช่วยเดียวยังสามารถได้รับการพิจารณาที่จะตระหนักถึงขั้นตอนวิธีการจัดกลุ่มสำหรับสถานการณ์ที่มีหน่วยงานหลาย ๆ แต่ละคนมีฐานข้อมูลส่วนตัว: ผู้ใช้ที่อยู่ในหน่วยงานต่าง ๆ และผู้ช่วยที่จะกลายเป็นผู้ให้บริการความเป็นส่วนตัว [4] ดังนั้นการก่อสร้างของเราสามารถจะเปลี่ยนโฉมหน้าไปตามการประยุกต์ใช้ ในบทความนี้เราเลือกที่ K-หมายถึงขั้นตอนวิธี clusterin สำหรับการหากลุ่มคนที่คล้ายกันบนพื้นฐานของความคล้ายคลึงกันของพวกเขา เราเลือกอัลกอริทึม K-หมายเพราะมันเป็นที่รู้จักกันเป็นเครื่องมือการทำเหมืองข้อมูลที่มีประสิทธิภาพมากที่ใช้กันอย่างแพร่หลายในการปฏิบัติในฐานะการดำเนินงานเป็นเรื่องง่ายและขั้นตอนวิธีลู่อย่างรวดเร็ว [5] เป้าหมายของเราคือการให้ที่มีประสิทธิภาพรุ่นความเป็นส่วนตัวการรักษาขั้นตอนวิธีการจัดกลุ่ม แม้ว่าความคิดของการประมวลผลข้อมูลที่เข้ารหัสสำหรับการจัดกลุ่มได้รับการแก้ไขก่อนที่ในวรรณคดีสำนึกในวิธีที่มีประสิทธิภาพได้รับการท้าทาย เพื่อปรับปรุงสถานะของศิลปะที่เรามีส่วนร่วมในทุกด้านต่อไปนี้:

ผลลัพธ์ (ไทย) 3:

ผู้ให้บริการจะกำหนดเป็นนิติบุคคลที่ wantsto ผู้ใช้กลุ่มตามเวกเตอร์ ความชอบส่วนตัวของพวกเขา ผู้ใช้แต่ละคนก็มีส่วนร่วมในการจัดกลุ่มการคำนวณและการตั้งค่าของผู้ใช้ ชื่อผู้ใช้ผู้ช่วย จะสุ่มเลือกที่จะดำเนินการเพิ่มเติม เป็นหมายเลขของผู้ใช้ชุดเพิ่มขึ้น จะกลายเป็นง่ายต่อการ parallelize จึงบรรลุประสิทธิภาพที่ดีขึ้น อย่างไรก็ตามการตั้งค่านี้กับชุดของผู้ใช้และผู้ใช้ตัวช่วยเดียวก็ยังถือเป็นการตระหนักในการจัดกลุ่มขั้นตอนวิธีสำหรับสถานการณ์ที่มีหลายหน่วยงาน แต่ละมีฐานข้อมูลส่วนตัว : ผู้ใช้เป็นของหน่วยงานที่แตกต่างกันและผู้ช่วยผู้ใช้กลายเป็นผู้ให้บริการบริการความเป็นส่วนตัว [ 4 ] ดังนั้น การก่อสร้างของเราได้อย่างง่ายดายสามารถเปลี่ยนโฉมหน้าตามใบสมัคร ในกระดาษนี้เราเลือก k-means คลัสเตรินอัลกอริทึมสำหรับการหากลุ่มคนที่คล้ายกันตามความคล้ายคลึงกันของพวกเขา เราเลือก k-means ขั้นตอนวิธีเพราะมันเป็นที่รู้จักกันเป็น ที่มีประสิทธิภาพมาก การทำเหมืองข้อมูลเครื่องมือที่ใช้กันอย่างแพร่หลายในการปฏิบัติที่ใช้งานง่ายและขั้นตอนวิธี converges อย่างรวดเร็ว [ 5 ] เป้าหมายของเราคือเพื่อให้มีประสิทธิภาพการรักษาความเป็นส่วนตัวในเวอร์ชั่นของการจัดกลุ่มขั้นตอนวิธีแม้ว่าแนวคิดของการประมวลผลข้อมูลที่เข้ารหัสสำหรับการแบ่งกลุ่มได้รับการ addressed ก่อนที่ในวรรณกรรม ตระหนักในวิธีที่มีประสิทธิภาพได้รับการท้าทาย เพื่อปรับปรุงสถานะของศิลปะที่เราสนับสนุนในด้านต่อไปนี้ :