| 中文摘要 | 第8-10页 |
| 英文摘要 | 第10-11页 |
| 1 绪论 | 第12-18页 |
| 1.1 社交网络的研究背景 | 第12-13页 |
| 1.2 社交网络的安全性 | 第13-14页 |
| 1.3 社交网络的机器学习 | 第14页 |
| 1.4 研究进展与内容安排 | 第14-18页 |
| 1.4.1 社交网络中隐私保护的研究进展 | 第14-15页 |
| 1.4.2 社交网络中深度学习的研究进展 | 第15-16页 |
| 1.4.3 内容安排 | 第16-17页 |
| 1.4.4 创新之处 | 第17-18页 |
| 2 社交网络中的数学理论基础 | 第18-24页 |
| 2.1 基本假设及符号说明 | 第18-19页 |
| 2.2 结点的度 | 第19-20页 |
| 2.3 边的强、弱联系 | 第20-21页 |
| 2.4 深度遍历与广度遍历 | 第21-24页 |
| 2.4.1 广度搜索遍历(BFS) | 第21-22页 |
| 2.4.2 深度搜索遍历(DFS) | 第22-24页 |
| 3 社交网络的特征学习 | 第24-32页 |
| 3.1 自然语言处理中的特征学习 | 第24-25页 |
| 3.2 社交网络的特征学习框架基础 | 第25-27页 |
| 3.2.1 经典搜索策略BFS和DFS的区别 | 第25-26页 |
| 3.2.2 随机游走 | 第26-27页 |
| 3.3 node2vec算法 | 第27-30页 |
| 3.3.1 node2vec中的随机游走 | 第28页 |
| 3.3.2 有偏α搜索 | 第28-30页 |
| 3.3.3 node2vec算法描述 | 第30页 |
| 3.4 node2vec复杂度 | 第30-32页 |
| 4 社交网络图结构结点隐私性量化方法 | 第32-40页 |
| 4.1 社交网络图结构的隐私性评价 | 第33-35页 |
| 4.1.1 基于结点的度的隐私性评价 | 第33-34页 |
| 4.1.2 基于特征学习的隐私性评价 | 第34-35页 |
| 4.1.3 两者结合的隐私性评价 | 第35页 |
| 4.2 算法描述 | 第35-36页 |
| 4.3 算法复杂度 | 第36-37页 |
| 4.4 有权有向图的隐私性评价 | 第37-40页 |
| 5 隐私性量化算法的实例分析 | 第40-46页 |
| 5.1 案例分析:Zachary Karate俱乐部 | 第40-45页 |
| 5.1.1 结点的度隐私性量化效果 | 第40-43页 |
| 5.1.2 结点结构隐私性量化效果 | 第43-45页 |
| 5.2 参数β、γ的选取 | 第45-46页 |
| 6 总结及未来工作 | 第46-48页 |
| 参考文献 | 第48-54页 |
| 致谢 | 第54-55页 |
| 学位论文评阅及答辩情况表 | 第55页 |