Mahremiyeti koruyan, merkezi, hibrit film öneri sistemi: araçlar arası internet için bir yaklaşım

Bu çalışmada, kullanıcı verilerinin gizliliğini korurken öneri doğrulu günü artırmayı hedefleyen, diferansiyel mahremiyet destekli hibrit bir öneri modeli sunulmuştur. Model mimarisi, Matris Çarpanlaması (MF), Çok Katmanlı Algılayıcı (MLP) ve Uzun Kısa Süreli Bellek (LSTM) ağlarını birleştirmektedir. Laplace mekanizmasına dayalı gürültü enjeksiyonu ile eğitim sürecinde diferansiyel mahremiyet sağlanmış ve ayrıca hiperparametre optimizasyonu uygulanmıştır. Model, kullanıcı film etkileşimlerini içeren MovieLens 100K veri kümesi üzerinde değerlendirilmiştir. Performans değerlendirmesi MSE, MAE ve NDCG metrikleriyle yapılmış; hiperparametre optimizasyonu ile MSE bazında yaklaşık %4 iyileşme sağlandığı, yüksek gizlilik düzeyinde ise doğrulukta yaklaşık %39 oranında bozulma yaşandığı gözlemlenmiştir.

This study presents a hybrid recommendation model supported by differential privacy, aiming to enhance recommendation accuracy while preserving user data privacy. The proposed architecture integrates Matrix Factorization (MF), a Multilayer Perceptron (MLP), and a Long Short-Term Memory (LSTM) network. Differential privacy is ensured during training by injecting Laplace noise into model gradients, and hyperparameter optimization is also applied. The model is evaluated on the MovieLens 100K dataset, which contains user–item interaction data. Performance evaluation based on MSE, MAE, and NDCG metrics shows that hyperparameter optimization yields approximately a 4% improvement in MSE compared to the baseline model. In contrast, under high privacy settings, a significant degradation in accuracy is observed, with MSE increasing by approximately 39%.