带学习的同步隐私保护频繁模式挖掘

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(learningandsynchronizedprivacypreservingfrequentpatternmining,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性的情况下,显著提高频繁模式挖掘结果的准确性.