In this research, we introduced a pioneering strategy to address the pressing privacy concerns associated with vehicular movie recommendation systems. As the demand for personalized entertainment options in vehicles increases, so does the need to protect user data. To tackle this challenge, we utilized the PyTorch framework to create a robust foundation from scratch. A key component of our approach was the addition of Laplace noise during the training process, which ensured differential privacy. This technique effectively safeguarded user data while simultaneously optimizing model performance, allowing us to maintain high levels of recommendation accuracy. Furthermore, we employed the Optuna hyperparameter optimization framework, which played a crucial role in enhancing the model's performance. By fine-tuning various parameters, we were able to elevate the overall efficiency of the system beyond the capabilities of the base model. Our extensive experimentation utilized the Movielens-1M benchmark movie dataset, which provided a solid basis for evaluating our approach. The results demonstrated a significant improvement over baseline models, validating the effectiveness of our privacy-preserving vehicular movie recommendation system. In addition to our centralised model, we conducted a comprehensive comparison with practical federated frameworks, including FedAvg, FedProx, and FedMedian. Our findings revealed that all federated models outperformed the centralised models by at least 2%, while also exhibiting shorter runtimes.

Bu araştırmada, araç içi film öneri sistemleriyle ilgili gizlilik endişelerinin üstesinden gelmek için yenilikçi bir strateji tanıttık. Günümüzde, kullanıcıların kişisel verilerinin korunması, özellikle araç içi eğlence sistemleri gibi hassas alanlarda büyük bir önem taşımaktadır. Bu bağlamda, PyTorch çerçevesi kullanılarak sıfırdan bir temel oluşturulmuştur. Eğitim sürecinde, Laplace gürültü eklenmesi yöntemi, diferansiyel gizliliği sağlarken aynı zamanda model performansını optimize etmektedir. Bu yöntem, kullanıcı verilerini koruma amacını güderken, öneri sisteminin doğruluğunu da artırmaktadır. Ayrıca, Optuna hiperparametre optimizasyon çerçevesi, modelin performansını daha da geliştirmekte ve sistemin genel verimliliğini artırmaktadır. Movielens-1M referans film veri kümesini kullanarak gerçekleştirdiğimiz kapsamlı deneyler, yaklaşımımızın öneri doğruluğundan ödün vermeden kullanıcı gizliliğini korumadaki etkinliğini ortaya koymuştur. Elde ettiğimiz sonuçlar, temel modellere göre kayda değer bir iyileşme göstermekte ve gizliliği koruyan araç film öneri sistemimizin etkinliğini doğrulamaktadır. Ayrıca, merkezi film öneri sistemimizi FedAvg, FedProx ve FedMedian gibi pratik federe çerçevelerle kapsamlı bir şekilde karşılaştırdık. Bulgularımız, tüm federe modellerin daha kısa çalışma süreleriyle merkezi modellere göre en az %2 daha iyi performans gösterdiğini ve öneri kalitesinden ödün vermeden sistem verimliliğini artırdığını ortaya koymaktadır. Bu sonuçlar, gelecekteki araştırmalar için önemli bir temel oluşturarak, kullanıcı gizliliği ile sistem performansı arasında bir denge kurmanın mümkün olduğunu göstermektedir.