[论文解读] An Effective Clustering Approach to Web Query Log Anonymization

Amin Milani Fard, Ke Wang|arXiv (Cornell University)|Dec 3, 2010

Privacy-Preserving Technologies in Data参考文献 17被引用 3

一句话总结

本文提出了一种基于聚类的新型方法，通过将查询建模为非结构化事务数据，并利用聚类和泛化实现k-匿名化，从而对网络查询日志进行匿名化。在AOL查询日志上的实验表明，该方法在保护隐私的同时，数据可用性高于现有最先进方法。

ABSTRACT

Web query log data contain information useful to research; however, release of such data can re-identify the search engine users issuing the queries. These privacy concerns go far beyond removing explicitly identifying information such as name and address, since non-identifying personal data can be combined with publicly available information to pinpoint to an individual. In this work we model web query logs as unstructured transaction data and present a novel transaction anonymization technique based on clustering and generalization techniques to achieve the k-anonymity privacy. We conduct extensive experiments on the AOL query log data. Our results show that this method results in a higher data utility compared to the state of-the-art transaction anonymization methods.

研究动机与目标

• 为解决发布网络查询日志时存在的隐私风险，这些日志即使不包含显式标识符，也可能重新识别用户。
• 克服现有匿名化技术在确保隐私的同时降低数据可用性的局限性。
• 开发一种通过聚类和泛化查询日志实现k-匿名化的方法，同时保留有意义的模式。
• 在真实世界查询日志数据上评估所提出方法，并与现有方法在数据可用性方面进行比较。

提出的方法

• 作者将网络查询日志建模为非结构化事务数据，将每个查询视为关键词的事务。
• 应用聚类算法，根据关键词重叠和语义相似性对相似查询进行分组。
• 在每个聚类内，使用替换特定术语为更广泛类别或通配符等技术对查询进行泛化。
• 通过确保每个聚类中至少包含k个查询来强制实现k-匿名化，防止用户被重新识别。
• 选择性地应用泛化以最小化信息损失，同时保持隐私。
• 在AOL查询日志数据集上评估该方法，并使用指标比较其数据可用性与隐私保护能力。

实验结果

研究问题

• RQ1 基于聚类的泛化技术是否能有效实现网络查询日志的匿名化，同时保持数据可用性？
• RQ2 与现有事务数据匿名化技术相比，所提出方法在k-匿名化和数据可用性方面表现如何？
• RQ3 在不损失对研究具有意义的模式的前提下，查询日志能在多大程度上被泛化？
• RQ4 不同的聚类策略对隐私与可用性之间平衡的影响如何？

主要发现

• 所提出的基于聚类的匿名化方法在AOL查询日志数据集上，相比现有最先进事务数据匿名化技术，实现了更高的数据可用性。
• 该方法通过形成每个聚类中至少包含k个查询的聚类，成功实现了k-匿名化。
• 在聚类内高效地应用泛化，最大限度地减少了日志中语义和结构信息的损失。
• 该方法保持了有意义的查询模式，使匿名化后的日志仍可用于研究。
• 实验结果表明，该方法在相同隐私约束下，相比现有方法更有效地保留了数据可用性。
• 即使在具有多样化和复杂查询模式的大规模真实世界查询日志上，该方法也表现出良好的有效性。