朱美琪，杨 庚，白云璐

(1.南京邮电大学 计算机学院、网络空间安全学院，江苏 南京 210023；2.江苏省大数据安全和智能处理重点实验室，江苏 南京 210023；3.南京市医药大学 信息技术学院，江苏 南京 210023)

0 引 言

频繁项目挖掘(frequent items mining)是当前数据挖掘研究的热点问题之一，其算法的核心是找出数据集中频繁出现的项。top-k频繁项目挖掘[1]是挖掘出前k个频繁出现的项。该思想已广泛运用到现实生活中。例如，视频网站可以通过对所有用户观看的影片进行记录、分析，然后向用户推荐本周最受欢迎的前十个电影。在记录用户信息的过程中，如果不做任何隐私保护措施，最后的推荐结果可能会有很高的准确性，但会严重侵犯用户的隐私。因此，在保证用户隐私性的同时要保证挖掘结果的准确性已经成为数据挖掘领域亟待解决的问题之一。

差分隐私[2]作为一个有效的隐私保护机制，现已广泛运用到浏览器、系统等应用中。例如Apple的IOS系统和Google的Chrome都运用了差分隐私的思想来保护用户的隐私。差分隐私又分为中心化差分隐私与本地化差分隐私，其中中心化差分隐私技术中，算法的隐私性通过临近数据集来定义，因此其要求一个可信的第三方数据收集者对数据分析结果进行隐私化处理，而对于本地化差分隐私技术而言，每个用户能够独立地对个体数据进行处理。目前已经有了许多关于本地化差分隐私的频繁项目挖掘算法，例如Zhan Qin提出的LDPMiner[3-4]算法，该算法在保护用户隐私的同时，比较了当前已有的满足本地化差分隐私的保护算法，并对其进行优化，在一些真实数据集上有较好的表现。……