گامی به‌سوی حفظ محرمانگی سامانه ی توصیه‌های اجتماعی از طریق تنظیمات شخصی حریم خصوصی

درز اطلاعات شخصی، مسئله ی حائز اهمیتی در سیستم های توصیه گر روابط اجتماعی (مثل توصیه های اجتماعی) است. روش های حفظ محرمانگی موجود در سامانه ی توصیه ی اجتماعی معمولا به توصیه کننده اجازه می دهد کل اطلاعات کاربر را کنترل کند. این امر ممکن است مشکل ساز باشد چراکه احتمال دارد خود توصیه گر، غیر قابل اطمینان بوده و همین مسئله موجب درز جدی اطلاعات شخصی و محرمانه شود. بعلاوه، ایجاد روابط اجتماعی، نیازمند به اشتراک گذاری علایق و دیگر اطلاعات خصوصی است که ممکن است منجر به نشت بیشتر حریم خصوصی شود. اگرچه گاهی کاربران با استفاده از تنظیمات شخصی حریم خصوصی، امکان پنهان کردن داده های محرمانه ی حساس را دارند، اما داده هایی که به اشتراک گذاشته می شوند همچنان ممکن است به عنوان کلید دستیابی به اطلاعات محرمانه، مورد سوء استفاده ی دشمن قرار گیرند. پشتیبانی از سامانه ی توصیه های اجتماعی با کمترین میزان درز اطلاعات شخصی به توصیه گرهای غیر قابل اطمینان و کاربراین دیگر ( مثلا دوستان)، مسئله ای مهم و درعین حال چالش برانگیز است. هدف ما در این مقاله، دستیابی به قابلیت حفظ محرمانگی سامانه ی توصیه‌های اجتماعی از

Privacy leakage is an important issue for social relationships-based recommender systems (i.e., social recommendation). Existing privacy preserving social recommendation approaches usually allow the recommender to fully control users’ information. This may be problematic since the recommender itself may be untrusted, leading to serious privacy leakage. Besides, building social relationships requires sharing interests as well as other private information, which may lead to more privacy leakage. Although sometimes users are allowed to hide their sensitive private data using personalized privacy settings, the data being shared can still be abused by the adversaries to infer sensitive private information. Supporting social recommendation with least privacy leakage to untrusted recommender and other users (i.e., friends) is an important yet challenging problem. In this paper, we aim to achieve privacy-preserving social recommendation under personalized privacy settings. We propose PrivSR, a