一种基于差分隐私和时序的推荐系统模型研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 本文的研究内容 | 第12页 |
| 1.4 本文的组织结构 | 第12-14页 |
| 第2章 相关理论简介 | 第14-24页 |
| 2.1 推荐系统概述 | 第14页 |
| 2.2 推荐算法 | 第14-20页 |
| 2.2.1 协同过滤推荐算法 | 第14-17页 |
| 2.2.2 基于内容的推荐算法 | 第17-19页 |
| 2.2.3 基于图结构的推荐算法 | 第19-20页 |
| 2.2.4 混合推荐算法 | 第20页 |
| 2.3 推荐系统面临的挑战 | 第20-21页 |
| 2.4 推荐系统评价标准 | 第21-22页 |
| 2.5 本章小结 | 第22-24页 |
| 第3章 基于差分隐私的模型 | 第24-32页 |
| 3.1 基本的矩阵分解模型 | 第24-26页 |
| 3.1.1 非负矩阵分解 | 第24页 |
| 3.1.2 随机梯度下降法 | 第24-25页 |
| 3.1.3 交替最小二乘法 | 第25-26页 |
| 3.2 差分隐私理论 | 第26-29页 |
| 3.2.1 差分隐私理论 | 第26-29页 |
| 3.2.2 差分隐私的引入 | 第29页 |
| 3.3 算法描述 | 第29-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第4章 基于差分隐私和时序的模型 | 第32-39页 |
| 4.1 推荐系统模型框架 | 第32-33页 |
| 4.2 时序理论 | 第33-34页 |
| 4.2.1 时序理论 | 第33页 |
| 4.2.2 时序理论的引入 | 第33-34页 |
| 4.3 解决矩阵稀疏性 | 第34-35页 |
| 4.4 加入偏置项 | 第35-36页 |
| 4.5 算法描述 | 第36-38页 |
| 4.6 本章小结 | 第38-39页 |
| 第5章 实验设计与结果分析 | 第39-48页 |
| 5.1 实验数据集和实验环境 | 第39-40页 |
| 5.1.1 实验数据集 | 第39页 |
| 5.1.2 实验环境 | 第39-40页 |
| 5.2 实验评价标准 | 第40页 |
| 5.3 实验方案 | 第40-41页 |
| 5.4 实验结果与分析 | 第41-47页 |
| 5.4.1 模型对比效果 | 第41-43页 |
| 5.4.2 模型参数分析 | 第43-47页 |
| 5.5 本章小结 | 第47-48页 |
| 第6章 结论与展望 | 第48-50页 |
| 参考文献 | 第50-54页 |
| 作者简介及科研成果 | 第54-55页 |
| 致谢 | 第55页 |
