[发明专利]用于数据价值优化的匿名化模型推荐方法及设备

权利要求书

1.一种用于数据价值优化的匿名化模型推荐方法，其特征在于，包括：

导入原始数据，根据原始数据的类型和级别，确定原始数据的风险阈值r_t；

根据用户需求，判断匿名化方法为正向辅助推荐或反向主动推荐；

若为正向辅助推荐，则获取配置参数p₀，所述配置参数p₀包括隐私模型、隐私模型参数、抑制限制率及属性权重；并根据KNN算法，在历史配置方案资源池中，基于数据特征F、配置参数p₀和风险阈值r_t自动匹配一组候选配置参数，并将获取的配置参数p₀和自动匹配的一组候选配置参数记为P＝[p₀,p₁,p₂,p₃……，p_n]；

若为反向主动推荐，则获取设定的效用的期望值u_t；使用K-Means算法在历史配置方案资源池中，基于数据特征F、风险阈值r_t及效用的期望值u_t，匹配一组候选配置方案P_s＝[p_s1,p_s2,p_s3,……,p_sn]；

使用正向辅助推荐的候选配置参数P或反向主动推荐的候选配置参数P_s中的配置方案分别对原始数据进行匿名化处理；其中使用正向辅助推荐的候选配置参数P对原始数据进行匿名化处理后的数据记为D，使用反向主动推荐的候选配置参数P_s对原始数据进行匿名化处理后的数据记为D_s；

对匿名化处理后的数据，依次使用对应的风险模型对D或D_s进行风险分析，将对D进行风险分析后的结果记为R，R＝[r₀,r₁,r₂,r₃,……,r_n]；将对D_s进行风险分析后的结果记为R_s，R_s＝[r_s0,r_s1,r_s2,r_s3,……,r_sn]；

将R中的结果或R_s中的结果与r_t对比，保留小于r_t的匿名后数据，将R中对应的匿名后数据记为D^’，将R_s中对应的匿名后数据记为D_S^’；

使用准确率模型、非均匀熵模型和分辨率模型对D^’或D_S^’中的数据进行效用分析，分析结果为准确率模型、非均匀熵模型和分辨率模型产生结果的平均值，将D^’的分析结果记为U，将D_S^’的分析结果记为U_s；

比较U或U_s中的值，选择其中最大值对应的匿名后数据作为输出；并将其对应的风险值r、效用值u、配置参数p及对应的原始数据的数据特征F加入历史配置方案资源池。

2.如权利要求1所述的方法，其特征在于，

所述风险阈值r_t可以为平均风险阈值r_avg和/或最高风险阈值r_h。

3.如权利要求1所述的方法，其特征在于，所述根据KNN算法，在历史配置方案资源池中，基于数据特征F、配置参数p₀和风险阈值r_t自动匹配一组候选配置参数，包括：

根据数据特征F、配置参数p₀和风险阈值r_t计算出与历史配置方案资源池中各组配置方案的距离d；

按照距离的递增顺序，对所述历史配置方案资源池中的配置方案排序；

选取距离最小的K个配置方案；

确定前K个配置方案所在数据类型的出现频率，将前K个配置方案中出现频率最高的数据类型作为配置方案的预测数据分类；

将预测数据分类中的配置方案作为一组候选配置参数。