《表1 桶的计数值：面向隐私保护的频繁项集挖掘算法》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《面向隐私保护的频繁项集挖掘算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

构造完MFI集合B和候选项集合C后，对项集的支持度添加拉普拉斯噪声。若集合C中包含项集个数少于k，则直接对其支持度进行加噪并输出；若项集个数大于k，则先对其支持度添加拉普拉斯噪声，再挑选出支持度前k大的项集。加噪过程如下:将数据集中所有事务根据最大频繁项集Bi分成2Bi个互不相交的桶，每个桶对应Bi的一个子集。为了降低敏感度，分别对每个桶的计数添加拉普拉斯噪声，利用这些桶的计数计算候选集C中每个项集的支持度。例如，一个数据集包含8条事务，分别为{a}，{a，b}，{a，b，c}，{b}，{a，c}，{d}，{d，e}，{f}，求得的MFI集合为B={B1，B2}，其中，B1={a，b，c}，B2={d，e，f}，则分解后的桶及其计数如表1所示。