Privacy in Recommender Systems: Inferring User Personality Traits From Personalized Movie Recommendations. Torjusen, H. & Barstad, C. Master's thesis, NTNU, 2023. Accepted: 2023-09-26T17:20:33Z![Privacy in Recommender Systems: Inferring User Personality Traits From Personalized Movie Recommendations [link]](https://bibbase.org/img/filetypes/link.svg "link")
Paper abstract bibtex Anbefalingssystemer er personaliserte systemer som samler inn brukerdata for å anbefale og skreddersy innhold. Denne masteroppgaven undersøker hvordan personlighetstrekk kan utledes fra personaliserte topp 10-filmanbefalinger for å undersøke potensiell lekkasje fra brukerdataen. Oppgaven utforsker effekten på treffsikkerheten av klassifikasjonen ved hjelp av ulike metoder, nærmere bestemt ulike inndelinger av personlighetstrekk, integrering av personlighetstrekk i et anbefalingssystem og resampling-teknikker. I eksperimentene ble det generert tilfeldige, vurderingsbaserte og personlighetsbaserte anbefalinger, og seks ulike klassifiseringsmetoder ble brukt til å utlede personlighetstrekk fra dem. Funnene indikerer potensiell informasjonslekkasje av personlighet fra de personaliserte anbefalingene. Likevel ble det ikke observert noen konsekvente mønstre for personlighetstrekkene, ettersom ulike eksperimentelle oppsett ga forskjellige resultater. Videre ble det ikke observert noen signifikant forskjell i treffsikkerheten på klassifiseringen etter at personlighetstrekkene ble integrert i anbefalingssystemet. Disse funnene bidrar til å øke forståelsen av personvernhensyn i forbindelse med brukeranbefalinger og gir innsikt til fremtidig forskning på personvern i anbefalingssystemer.
@mastersthesis{torjusen_privacy_2023,
title = {Privacy in {Recommender} {Systems}: {Inferring} {User} {Personality} {Traits} {From} {Personalized} {Movie} {Recommendations}},
shorttitle = {Privacy in {Recommender} {Systems}},
url = {https://ntnuopen.ntnu.no/ntnu-xmlui/handle/11250/3092170},
abstract = {Anbefalingssystemer er personaliserte systemer som samler inn brukerdata for å anbefale og skreddersy innhold. Denne masteroppgaven undersøker hvordan personlighetstrekk kan utledes fra personaliserte topp 10-filmanbefalinger for å undersøke potensiell lekkasje fra brukerdataen. Oppgaven utforsker effekten på treffsikkerheten av klassifikasjonen ved hjelp av ulike metoder, nærmere bestemt ulike inndelinger av personlighetstrekk, integrering av personlighetstrekk i et anbefalingssystem og resampling-teknikker. I eksperimentene ble det generert tilfeldige, vurderingsbaserte og personlighetsbaserte anbefalinger, og seks ulike klassifiseringsmetoder ble brukt til å utlede personlighetstrekk fra dem.
Funnene indikerer potensiell informasjonslekkasje av personlighet fra de personaliserte anbefalingene. Likevel ble det ikke observert noen konsekvente mønstre for personlighetstrekkene, ettersom ulike eksperimentelle oppsett ga forskjellige resultater. Videre ble det ikke observert noen signifikant forskjell i treffsikkerheten på klassifiseringen etter at personlighetstrekkene ble integrert i anbefalingssystemet. Disse funnene bidrar til å øke forståelsen av personvernhensyn i forbindelse med brukeranbefalinger og gir innsikt til fremtidig forskning på personvern i anbefalingssystemer.},
language = {eng},
urldate = {2025-08-01},
school = {NTNU},
author = {Torjusen, Hanna and Barstad, Caroline},
year = {2023},
note = {Accepted: 2023-09-26T17:20:33Z},
}
Downloads: 0
{"_id":"3xCiTENsbsiTPwcPw","bibbaseid":"torjusen-barstad-privacyinrecommendersystemsinferringuserpersonalitytraitsfrompersonalizedmovierecommendations-2023","author_short":["Torjusen, H.","Barstad, C."],"bibdata":{"bibtype":"mastersthesis","type":"mastersthesis","title":"Privacy in Recommender Systems: Inferring User Personality Traits From Personalized Movie Recommendations","shorttitle":"Privacy in Recommender Systems","url":"https://ntnuopen.ntnu.no/ntnu-xmlui/handle/11250/3092170","abstract":"Anbefalingssystemer er personaliserte systemer som samler inn brukerdata for å anbefale og skreddersy innhold. Denne masteroppgaven undersøker hvordan personlighetstrekk kan utledes fra personaliserte topp 10-filmanbefalinger for å undersøke potensiell lekkasje fra brukerdataen. Oppgaven utforsker effekten på treffsikkerheten av klassifikasjonen ved hjelp av ulike metoder, nærmere bestemt ulike inndelinger av personlighetstrekk, integrering av personlighetstrekk i et anbefalingssystem og resampling-teknikker. I eksperimentene ble det generert tilfeldige, vurderingsbaserte og personlighetsbaserte anbefalinger, og seks ulike klassifiseringsmetoder ble brukt til å utlede personlighetstrekk fra dem. Funnene indikerer potensiell informasjonslekkasje av personlighet fra de personaliserte anbefalingene. Likevel ble det ikke observert noen konsekvente mønstre for personlighetstrekkene, ettersom ulike eksperimentelle oppsett ga forskjellige resultater. Videre ble det ikke observert noen signifikant forskjell i treffsikkerheten på klassifiseringen etter at personlighetstrekkene ble integrert i anbefalingssystemet. Disse funnene bidrar til å øke forståelsen av personvernhensyn i forbindelse med brukeranbefalinger og gir innsikt til fremtidig forskning på personvern i anbefalingssystemer.","language":"eng","urldate":"2025-08-01","school":"NTNU","author":[{"propositions":[],"lastnames":["Torjusen"],"firstnames":["Hanna"],"suffixes":[]},{"propositions":[],"lastnames":["Barstad"],"firstnames":["Caroline"],"suffixes":[]}],"year":"2023","note":"Accepted: 2023-09-26T17:20:33Z","bibtex":"@mastersthesis{torjusen_privacy_2023,\n\ttitle = {Privacy in {Recommender} {Systems}: {Inferring} {User} {Personality} {Traits} {From} {Personalized} {Movie} {Recommendations}},\n\tshorttitle = {Privacy in {Recommender} {Systems}},\n\turl = {https://ntnuopen.ntnu.no/ntnu-xmlui/handle/11250/3092170},\n\tabstract = {Anbefalingssystemer er personaliserte systemer som samler inn brukerdata for å anbefale og skreddersy innhold. Denne masteroppgaven undersøker hvordan personlighetstrekk kan utledes fra personaliserte topp 10-filmanbefalinger for å undersøke potensiell lekkasje fra brukerdataen. Oppgaven utforsker effekten på treffsikkerheten av klassifikasjonen ved hjelp av ulike metoder, nærmere bestemt ulike inndelinger av personlighetstrekk, integrering av personlighetstrekk i et anbefalingssystem og resampling-teknikker. I eksperimentene ble det generert tilfeldige, vurderingsbaserte og personlighetsbaserte anbefalinger, og seks ulike klassifiseringsmetoder ble brukt til å utlede personlighetstrekk fra dem. \n\nFunnene indikerer potensiell informasjonslekkasje av personlighet fra de personaliserte anbefalingene. Likevel ble det ikke observert noen konsekvente mønstre for personlighetstrekkene, ettersom ulike eksperimentelle oppsett ga forskjellige resultater. Videre ble det ikke observert noen signifikant forskjell i treffsikkerheten på klassifiseringen etter at personlighetstrekkene ble integrert i anbefalingssystemet. Disse funnene bidrar til å øke forståelsen av personvernhensyn i forbindelse med brukeranbefalinger og gir innsikt til fremtidig forskning på personvern i anbefalingssystemer.},\n\tlanguage = {eng},\n\turldate = {2025-08-01},\n\tschool = {NTNU},\n\tauthor = {Torjusen, Hanna and Barstad, Caroline},\n\tyear = {2023},\n\tnote = {Accepted: 2023-09-26T17:20:33Z},\n}\n\n","author_short":["Torjusen, H.","Barstad, C."],"key":"torjusen_privacy_2023","id":"torjusen_privacy_2023","bibbaseid":"torjusen-barstad-privacyinrecommendersystemsinferringuserpersonalitytraitsfrompersonalizedmovierecommendations-2023","role":"author","urls":{"Paper":"https://ntnuopen.ntnu.no/ntnu-xmlui/handle/11250/3092170"},"metadata":{"authorlinks":{}}},"bibtype":"mastersthesis","biburl":"https://api.zotero.org/users/6655/collections/3TB3KT36/items?key=VFvZhZXIoHNBbzoLZ1IM2zgf&format=bibtex&limit=100","dataSources":["7KNAjxiv2tsagmbgY"],"keywords":[],"search_terms":["privacy","recommender","systems","inferring","user","personality","traits","personalized","movie","recommendations","torjusen","barstad"],"title":"Privacy in Recommender Systems: Inferring User Personality Traits From Personalized Movie Recommendations","year":2023}