Resumen

En la red social basada en la ubicación (LBSN), se acumula mucha información de múltiples capas, como los datos de registro de privacidad espaciotemporal. Al usar el algoritmo de filtrado colaborativo para la recomendación de ubicaciones en LBSN, uno de los problemas principales es cómo mejorar el rendimiento de la recomendación combinando el algoritmo tradicional con la información de múltiples capas. Los enfoques existentes de filtrado colaborativo utilizan solo la matriz de calificaciones usuario-ítem dispersa. Esto conlleva una alta complejidad computacional y resultados inexactos. En este documento se propone un nuevo algoritmo de recomendación de ubicaciones basado en el filtrado colaborativo llamado LGP-CF, que tiene en cuenta la información de privacidad espaciotemporal. Al minar el patrón de comportamiento de registro de los usuarios, el conjunto de datos se segmenta semánticamente para reducir el tamaño de los datos que deben ser calculados. Luego se utiliza un algoritmo de agrupación para obtener y reducir el conjunto de usuarios similares. Se modela

• Materias:Amenaza avanzada persistente Internet de las cosas Seguridad cibernética Estegoanálisis Cifrado descentralizado
• Subjects:Advanced persistent threat Internet of things Cyber security Stegoanalysis Decentralized encryption
• Palabras claves:Información multicapa; Privacidad espaciotemporal; Algoritmo de filtrado colaborativo; Red social basada en la localización; LGP-CF; Rendimiento de las recomendaciones.
• Keywords:Multilayer information; Spatio-temporal privacy; Collaborative filtering algorithm; Location-based social network; LGP-CF; Recommendation performance