基于贪心策略的最近邻Top-k偏好查询方法

传统Top-[k]空间关键字查询忽略了兴趣对象周围的基础设施属性对于用户偏好的影响,针对该问题,研究了基于影响区域约束关系的Top-[k]空间关键字偏好查询问题,设计了一种基于贪心策略的最近邻算法GS-NNA（Greedy Strategy based Nearest Neighbor Algorithm）。该算法采用R*-tree和倒排文件两种索引结构,结合贪心思想和最近邻算法,每次选择分值最高的兴趣对象作为候选结果集,并利用阈值判定条件对R*-tree进行剪枝。实验结果表明,GS-NNA算法与现有相关算法相比,有效提高了查询效率。     

改进成分分析的差分隐私高维数据发布方法

针对高维数据发布中“维度灾难”所导致发布结果可用性较差的问题，提出一种改进成分分析的差分隐私高维数据发布方法ICAHDP。ICAHDP通过引入属性重要度来优化PCA,利用优化算法对数据进行降维，减少时间和空间的开销。该算法在数据发布的过程中引入基于互信息的评价机制，确定最优的主成分个数。考虑到高维数据中可能存在多个敏感属性，ICAHDP引入敏感属性偏好，结合最优匹配理论，设计敏感属性分级保护策略来满足个性化的差分隐私保护策略。实验表明，ICAHDP不仅保证了发布数据的隐私性，而且很大程度地提升了数据的准确性和实用性。