Tez No	İndirme	Tez Künye	Durumu
310342		Privacy-preserving distributed collaborative filtering / Gizliliği koruyarak dağıtık ortak süzgeçleme Yazar:CİHAN KALELİ Danışman: DOÇ. DR. HÜSEYİN POLAT Yer Bilgisi: Anadolu Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Dağıtık sistemler = Distributed systems ; Gizlilik = Privacy ; Öz düzenleyici haritalar = Self-organizing maps	Onaylandı Doktora İngilizce 2012 164 s.
Doğru ve güvenilir öneriler üretebilmek için sanal alışveriş siteleri yeterli veriye ihtiyaç duyarlar. Fakat sanal alışverişin doğası gereği ve e-ticaret sitelerinin sayısındaki artış nedeniyle ortak süzgeçleme amacıyla toplanmış veriler çeşitli siteler arasında dağıtık olmuş olabilir. Bu dağıtık veriye sahip e-ticaret siteleri bütünleştirilmiş veri üzerinden ortak öneriler sunmak isteyebilirler. Fakat gizli verilerini koruma düşüncesi, finansal korkular ve yasal zorunluluklardan dolayı bu siteler işbirliği yapmak istemeyebilirler.Bu doktora tez çalışmasında, yatay veya dikey dağıtık veri üzerinden veri sahiplerinin gizliliklerini koruyarak öneriler üretmek için işbirliğini sağlayacak çeşitli çözümler önerilmiştir. Gizliliği korumak için rasgele karıştırma ve kriptografi tabanlı çözümler kullanılmıştır. İşbirliği nedeniyle kötüleşebilecek çevrim içi performansı artırmak için kümeleme, boyut indirgeme ve güven tabanlı benzerlik gibi ön işleme metotları kullanılmıştır. Önerilen yöntemler gizlilik açısından analiz edilmiştir. Ayrıca, gizlilik endişesi nedeniyle ortaya çıkan ilave yükler irdelenmiştir. Son olarak, çeşitli gerçek veriye dayalı deneyler yapılmış ve önerilen çözümler doğruluk açısından incelenmiştir. Yapılan analizler ve deney sonuçları önerilen çözümlerin gizliliği koruduğunu, önemsenmeyecek miktarda ilave yükler getirdiğini ve kaliteli öneriler üretebildiğini göstermiştir.
In order to provide accurate and dependable recommendations, online vendors need to have adequate data; however, due to the nature of online shopping and increasing amount of e-commerce sites, data collected for collaborative filtering purposes might be distributed among various companies, even competing ones. Those online vendors holding distributed data might want to offer predictions based on integrated data collaboratively. However, concerns regarding protecting private data, financial fears due to revealing valuable assets, and legal regulations imposed by various organizations prevent them from alliance.In this dissertation, various solutions are proposed to enable online vendors? collaboration for estimating recommendations on vertically or horizontally distributed data while preserving their confidentiality. The proposed solutions mainly employ randomized and cryptographic techniques for protecting privacy. To improve online performance, which may become worse due to collaboration, preprocessing methods such as clustering, dimensionality reduction, and trust are utilized. The recommended methods are analyzed in terms of privacy. Also, superfluous loads caused by privacy concerns are examined. Finally, real data-based trials are performed for evaluating the proposed schemes in terms of the quality of predictions. The analyses and experimental outcomes demonstrate that the methods preserve confidentiality, cause insignificant overheads, and offer accurate recommendations.