Resumen

La recomendación de servicios se ha convertido en uno de los enfoques más efectivos para extraer rápidamente información perspicaz de grandes datos educativos. Sin embargo, la escasez de datos de calidad de servicio educativo (provenientes de múltiples plataformas o partes) utilizados para hacer recomendaciones de servicios a menudo conduce a pocos o incluso nulos resultados recomendados. Además, para proteger la información comercial sensible y cumplir con las leyes, preservar la privacidad del usuario durante el proceso de integración de datos de múltiples fuentes mencionado anteriormente es un requisito muy importante pero desafiante. Considerando los desafíos anteriores, este documento integra el Hashing Sensible a la Localidad (LSH) con técnicas híbridas de Filtrado Colaborativo (HCF) para compartir datos de manera robusta y consciente de la privacidad entre diferentes plataformas involucradas en el proceso de recomendación de servicios entre plataformas. Además, para minimizar los resultados recomendados falsos negativos incurridos por LSH y mejorar el éxito de los resultados recomendados, propon

• Materias:Programación centralizada Dispositivos móviles Redes heterogéneas Cooperación de retransmisión Antenas inteligentes
• Subjects:Centralized scheduling Mobile devices Heterogeneous networks Relay cooperation Smart antennas
• Palabras claves:Recomendación de servicio; Datos educativos; Hashing Sensible a la Localidad; Filtrado Colaborativo; Consciente de la privacidad; Estrategias de optimización
• Keywords:Service recommendation; Educational data; Locality-Sensitive Hashing; Collaborative Filtering; Privacy-aware; Optimization strategies