《基于约束聚类的k-匿名隐私保护方法》为作者：吴梦婷最新的研究成果，本论文的主要观点为为降低隐私泄露风险，发布数据前一般需进行匿名处理，但现有的匿名方案往往较少考虑离群数据的敏感问题，以及信息损失和时间效率的最优化问题。针对这些问题，本文提出了一种新的基于约束聚类的k-匿名隐私保护方法。首先通过K近邻思想划分初始集群，然后根据设定的阈值δ将集群进行重新划分，划分过程始终遵循信息损失最小化原则，最后得到每个等价类元组数都在k 与 2k 之间，过程中分类考察准标识符属性并充分考虑离群点对聚类结果的影响，有效降低匿名过程中的信息损失。实验表明该方法有效节省了执行时间并降低了信息损失。不知是否符合录用要求，望您批评与指正。