| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第12-18页 |
| 1.1 研究背景及意义 | 第12-14页 |
| 1.1.1 研究背景 | 第12-13页 |
| 1.1.2 研究意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.2.1 针对托攻击的协同过滤推荐算法研究现状 | 第14-15页 |
| 1.2.2 针对kNN攻击的协同过滤推荐算法研究现状 | 第15-16页 |
| 1.3 本文主要工作 | 第16-17页 |
| 1.4 本文的组织结构 | 第17-18页 |
| 2 推荐系统及推荐系统攻击模型概述 | 第18-32页 |
| 2.1 推荐系统概述 | 第18-23页 |
| 2.1.1 基本思想 | 第18-19页 |
| 2.1.2 推荐过程 | 第19-20页 |
| 2.1.3 推荐算法分类 | 第20-23页 |
| 2.2 协同过滤推荐算法 | 第23-24页 |
| 2.2.1 基于记忆的协同过滤推荐算法 | 第23-24页 |
| 2.2.2 基于模型的协同过滤推荐算法 | 第24页 |
| 2.3 托攻击简介 | 第24-28页 |
| 2.3.1 重要属性 | 第25-26页 |
| 2.3.2 攻击模型 | 第26-27页 |
| 2.3.3 模型分类 | 第27-28页 |
| 2.4 KNN攻击简介 | 第28-31页 |
| 2.4.1 重要属性 | 第29-30页 |
| 2.4.2 攻击模型 | 第30-31页 |
| 2.5 本章小结 | 第31-32页 |
| 3 抵抗托攻击的协同过滤推荐算法研究 | 第32-47页 |
| 3.1 相关理论基础 | 第32-34页 |
| 3.1.1 层次聚类算法 | 第32-33页 |
| 3.1.2 支持向量机 | 第33-34页 |
| 3.1.3 0-1背包问题 | 第34页 |
| 3.2 基于变长分区的邻居选择协同过滤算法 | 第34-42页 |
| 3.2.1 算法的基本思想 | 第34-35页 |
| 3.2.2 用户可疑概率的求解 | 第35-36页 |
| 3.2.3 变长分区的形成 | 第36-37页 |
| 3.2.4 分区间的相似性排序 | 第37-39页 |
| 3.2.5 邻居选择 | 第39-42页 |
| 3.3 实验及结果分析 | 第42-46页 |
| 3.3.1 实验数据集 | 第42页 |
| 3.3.2 实验结果度量标准 | 第42-43页 |
| 3.3.3 参数设置及实验结果 | 第43-46页 |
| 3.4 本章小结 | 第46-47页 |
| 4 基于匿名化方法的隐私保护协同过滤算法研究 | 第47-60页 |
| 4.1 相关理论基础 | 第47-50页 |
| 4.1.1 隐私匿名准则 | 第47-50页 |
| 4.1.2 微聚集技术 | 第50页 |
| 4.2 基于匿名化方法的隐私保护协同过滤算法研究 | 第50-54页 |
| 4.2.1 算法的基本思想 | 第50-51页 |
| 4.2.2 应用LFM填充评分值 | 第51页 |
| 4.2.3 通过改进MDAV微聚集算法实现数据匿名化 | 第51-54页 |
| 4.3 实验及结果分析 | 第54-58页 |
| 4.3.1 实验数据集 | 第54-55页 |
| 4.3.2 实验结果度量标准 | 第55页 |
| 4.3.3 参数设置及实验结果 | 第55-58页 |
| 4.4 本章小结 | 第58-60页 |
| 5 结论与展望 | 第60-62页 |
| 5.1 研究工作总结 | 第60页 |
| 5.2 今后工作展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第66-68页 |
| 学位论文数据集 | 第68页 |