توضیحات کامل :

ترجمه مقاله سیستم کارامد پیشنهاد دهنده مبتنی بر آشنائیت پیشرفته ی حریم شخصی در 13 صفحه فارسی ورد قابل ویرایش با فرمت doc به همراه اصل مقاله انگلیسی



عنوان فارسی :

سیستم کارامد پیشنهاد دهنده مبتنی بر آشنائیت پیشرفته ی حریم شخصی

عنوان انگلیسی :

Efficient Privacy-Enhanced Familiarity-Based Recommender System

تعداد صفحات فارسی : 13 صفحه ورد قابل ویرایش

سطح ترجمه : متوسط

شناسه کالا : y1091

دانلود رایگان مقاله انگلیسی : http://ofmas.ir/dlpaper/y1091.pdf

دانلود ترجمه فارسی مقاله : بلافاصله پس از پرداخت آنلاین 16 هزار تومان قادر به دانلود خواهید بود .


بخشی از ترجمه :


چکیده
سیستم های پیشنهاد دهنده می توانند به کاربران برای یافتن محتوای جالب اغلب بر مبنای شباهت با سایر کاربران کمک کنند.با این وجود، مطالعات نشان دادن اند در برخی موارد اشنائیت نتایج قابل مقایسه ای را به شباهت ارائه میدهد. استفاده از آشنائیت، کمک بیشتر برای افزودن حریم بین کاربران و استفاده از یک دادگان کوچکتر را داراست.در این مقاله، ما یک سیستم توصیه کننده ی پیشرفته کارامد حریم را ارائه می کنیم که بر اساس آشنائیت می باشد.آن روی هر گونه شبکه اجتماعی فرضی ساخته میشود (بدون تغییر رفتارش) که از قبل دارای اطلاعاتی در زمینه ی روابط اجتماعی بین کاربران است. با استفاده از تکنیک های محاسبه ی چند طرفی امن و رمزگذاری تا حدی هم سان، حریم کاربران می تواند تضمین شود، با فرض اینکه شرکت کنندگان صادق اما کنجکاو باشند.دو راه حل متفاوت داده شده است، یکی در جایی است که همه ی کاربران آنلاین باشند و دیگری در جاییکه بیشتر کاربران افلاین هستند.نتایج اولیه در زمینه ی یک نمونه ی اولیه و دادگان  50 کاربر آشنا و 1000 مورد یک زمان پیشنهاد دهندهه ی 4 دقیقه ای را برای راه حل با کاربران انلاین و 5 دقیقه ای را برای راه حل با کاربران افلاین ارائه میدهد.


Abstract

 Recommender systems can help users to find interesting con- tent, often based on similarity with other users. However, studies have shown that in some cases familiarity gives comparable results to similar- ity. Using familiarity has the added bonus of increasing privacy between users and utilizing a smaller dataset. In this paper, we propose an efficient privacy-enhanced recommender system that is based on familiarity. It is built on top of any given social network (without changing its behaviour) that already has information about the social relations between users. Using secure multi-party computation techniques and somewhat homo- morphic encryption the privacy of the users can be ensured, assuming honest-but-curious participants. Two different solutions are given, one where all users are online, and another where most users are offline. Ini- tial results on a prototype and a dataset of 50 familiar users and 1000 items show a recommendation time of four minutes for the solution with online users and of five minutes for the solution with offline users.