| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 无监督检测方法 | 第11-12页 |
| 1.2.2 有监督检测方法 | 第12-13页 |
| 1.2.3 半监督检测方法 | 第13页 |
| 1.3 本文的主要研究内容 | 第13-14页 |
| 1.4 本文的组织结构 | 第14-16页 |
| 第2章 相关理论与技术简介 | 第16-27页 |
| 2.1 协同过滤推荐算法介绍 | 第16-19页 |
| 2.1.1 基于用户的协同过滤推荐算法 | 第16-18页 |
| 2.1.2 基于项目的协同过滤推荐算法 | 第18-19页 |
| 2.1.3 混合协同过滤推荐算法 | 第19页 |
| 2.2 托攻击相关检测理论介绍 | 第19-22页 |
| 2.2.1 托攻击概貌 | 第19-20页 |
| 2.2.2 攻击模型的分类 | 第20-21页 |
| 2.2.3 攻击规模和填充规模 | 第21-22页 |
| 2.2.4 托攻击收益和成本 | 第22页 |
| 2.3 隐马尔科夫模型简介 | 第22-25页 |
| 2.3.1 隐马尔科夫模型的相关概念 | 第22-23页 |
| 2.3.2 隐马尔科夫模型解决的三个基本问题 | 第23页 |
| 2.3.3 隐马尔科夫模型三类基本问题解决的相关算法 | 第23-25页 |
| 2.4 本章小结 | 第25-27页 |
| 第3章 基于隐马尔科夫模型的托攻击检测算法 | 第27-38页 |
| 3.1 基于隐马尔科夫模型的托攻击检测框架图 | 第27-28页 |
| 3.2 用户评分差异性度量 | 第28-31页 |
| 3.2.1 获取用户偏好序列 | 第28-30页 |
| 3.2.2 计算用户匹配度 | 第30-31页 |
| 3.3 攻击概貌检测 | 第31-37页 |
| 3.3.1 计算项目可疑度 | 第31-33页 |
| 3.3.2 计算用户可疑度 | 第33-36页 |
| 3.3.3 基于层次聚类的攻击检测算法 | 第36-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第4章 基于改进K均值聚类和项目流行度的攻击检测算法 | 第38-47页 |
| 4.1 基于改进K均值聚类和项目流行度的攻击检测框架 | 第38-39页 |
| 4.2 攻击检测特征及分析 | 第39-41页 |
| 4.3 基于改进K均值聚类的攻击用户聚类算法 | 第41-46页 |
| 4.3.1 K均值聚类算法的基本思想 | 第41-42页 |
| 4.3.2 SAD_IKC算法的基本思想 | 第42-44页 |
| 4.3.3 攻击用户识别 | 第44-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第5章 实验验证与分析 | 第47-57页 |
| 5.1 实验数据与环境配置 | 第47-48页 |
| 5.1.1 实验数据 | 第47页 |
| 5.1.2 实验环境 | 第47-48页 |
| 5.1.3 实验评价标准 | 第48页 |
| 5.1.4 对比实验 | 第48页 |
| 5.2 基于隐马尔科夫模型的无监督攻击检测算法实验对比及分析 | 第48-52页 |
| 5.2.1 模型参数的选取 | 第49-50页 |
| 5.2.2 准确率对比 | 第50-51页 |
| 5.2.3 召回率对比 | 第51-52页 |
| 5.3 基于改进K均值聚类和项目流行度的攻击检测算法实验对比及分析 | 第52-55页 |
| 5.3.1 准确率对比 | 第53-54页 |
| 5.3.2 召回率对比 | 第54-55页 |
| 5.4 运行时间对比及分析 | 第55页 |
| 5.5 本章小结 | 第55-57页 |
| 结论 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第62-63页 |
| 致谢 | 第63页 |
