| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 论文章节安排 | 第13-15页 |
| 第2章 差分隐私保护技术 | 第15-28页 |
| 2.1 隐私问题概述 | 第15-17页 |
| 2.1.1 隐私定义 | 第15-16页 |
| 2.1.2 数据挖掘中的隐私问题 | 第16-17页 |
| 2.2 经典隐私保护技术与模型 | 第17-20页 |
| 2.2.1 隐私保护技术 | 第17-18页 |
| 2.2.2 隐私保护模型 | 第18-20页 |
| 2.3 差分隐私保护 | 第20-27页 |
| 2.3.1 差分隐私定义 | 第21-22页 |
| 2.3.2 差分隐私实现机制 | 第22-24页 |
| 2.3.3 差分隐私的性质 | 第24-25页 |
| 2.3.4 差分隐私保护框架 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 融合Canopy的差分隐私K-means算法设计 | 第28-41页 |
| 3.1 K-means算法及其隐私泄露问题 | 第28-30页 |
| 3.1.1 K-means算法思想 | 第28页 |
| 3.1.2 K-means算法中的隐私泄露问题 | 第28-30页 |
| 3.2 差分隐私K-means算法及其不足 | 第30-31页 |
| 3.2.1 差分隐私K-means算法思想 | 第30-31页 |
| 3.2.2 差分隐私K-means算法的不足 | 第31页 |
| 3.3 融合Canopy的差分隐私K-means算法设计 | 第31-40页 |
| 3.3.1 融合算法的提出 | 第31-32页 |
| 3.3.2 融合算法设计 | 第32-35页 |
| 3.3.3 算法满足差分隐私证明 | 第35-36页 |
| 3.3.4 算法过程 | 第36-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第4章 基于PINQ的算法仿真实验与结果分析 | 第41-51页 |
| 4.1 基于PINQ的DP Canopy K-means算法实现 | 第41-44页 |
| 4.1.1 PINQ框架 | 第41-42页 |
| 4.1.2 DP Canopy K-means的实现 | 第42-44页 |
| 4.2 实验方案 | 第44-47页 |
| 4.2.1 实验环境 | 第44页 |
| 4.2.2 实验数据集 | 第44-45页 |
| 4.2.3 F-measure评价指标 | 第45页 |
| 4.2.4 对比实验设计 | 第45-47页 |
| 4.4 实验结果分析 | 第47-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第5章 DP Canopy K-means在组推荐系统中的应用 | 第51-59页 |
| 5.1 组推荐系统 | 第51-53页 |
| 5.1.1 组推荐系统概述 | 第51-52页 |
| 5.1.2 BaseGRA组推荐 | 第52-53页 |
| 5.2 DP Canopy K-means在BaseGRA组推荐中的应用 | 第53-56页 |
| 5.2.1 BaseGRA组推荐中的隐私泄露 | 第53-54页 |
| 5.2.2 应用DP Canopy K-means解决BaseGRA隐私泄露 | 第54-55页 |
| 5.2.3 应用DP Canopy K-means的BaseGRA组推荐过程 | 第55-56页 |
| 5.3 实验结果与分析 | 第56-58页 |
| 5.3.1 MoiveLens数据集 | 第56页 |
| 5.3.2 RMSE评价指标 | 第56页 |
| 5.3.3 实验设置 | 第56-57页 |
| 5.3.4 结果分析 | 第57-58页 |
| 5.4 本章小结 | 第58-59页 |
| 总结与展望 | 第59-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-67页 |
| 攻读硕士学位期间发表的学术论文目录 | 第67页 |
