一种基于隐私保护下的多方记录链接方法

来源：软件学报杂志2017年第9期北京时间：

作者：韩姝敏,申德荣,聂铁铮,寇月,于戈

单位：韩姝敏，东北大学 计算机科学与工程学院, 辽宁 沈阳 11081911,申德荣，东北大学 计算机科学与工程学院, 辽宁 沈阳 11081902,聂铁铮，东北大学 计算机科学与工程学院, 辽宁 沈阳 11081903,寇月，东北大学 计算机科学与工程学院, 辽宁 沈阳 11081904,于戈，东北大学 计算机科学与工程学院, 辽宁 沈阳 11081905

摘要：多方隐私保护下的记录链接（privacy-preserving record linkage，简称PPRL）是在隐私保护下，从多个数据源中找出代表现实世界中同一实体的过程.该过程除了最终匹配结果被数据源之间共享外，其他信息均未被泄露.随着数据量的日益增大和现实世界数据质量问题的存在（如拼写错误、顺序颠倒等），多方PPRL方法的可扩展性和容错性面临挑战.目前，已有的大部分多方PPRL方法都是精确匹配方法，不具有容错性.还有少部分多方PPRL近似方法具有容错性，但在处理存在质量问题的数据时，由于容错性差和时间代价过大，并不能有效地找出数据源间的共同实体.因此，提出一种结合布隆过滤、安全合计、动态阈值、检查机制和改进的Dice相似度函数的多方PPRL近似方法.首先，利用布隆过滤将各数据源中的每条记录信息转换成由0和1组成的位数组.然后，计算每个对应位置bit 1所占的比率，并利用动态阈值和检查机制来判定匹配成功的位置.最后，通过改进的Dice相似度函数计算出记录间的相似度，进而判断记录间是否匹配成功.实验结果表明：所提出的方法具有较好的可扩展性，并且在保证查准率的同时，比已有的多方近似PPRL方法具有更高的容错性.

关键词：记录链接;隐私保护;布隆过滤;动态阈值;检查机制;改进的Dice相似度函数

基金资助：国家自然科学基金（61472070，61672142）；国家重点基础研究发展计划（973）（2012CB316201）