移动广告欺诈检测与推荐算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.3 本文的主要内容 | 第16-17页 |
| 1.4 本文的结构 | 第17-19页 |
| 第二章 相关技术研究 | 第19-28页 |
| 2.1 数据分析方法 | 第19-24页 |
| 2.1.1 聚类分析 | 第19-20页 |
| 2.1.2 特征处理 | 第20-23页 |
| 2.1.3 离群分析 | 第23-24页 |
| 2.2 Spark分布式计算架构 | 第24-27页 |
| 2.3 本章小结 | 第27-28页 |
| 第三章 基于二模图传播的移动应用欺诈检测算法研究 | 第28-39页 |
| 3.1 相关研究 | 第29页 |
| 3.2 基于二模图传播的移动应用欺诈检测算法 | 第29-34页 |
| 3.2.1 构建用户-应用二模图 | 第30页 |
| 3.2.2 欺诈得分学习和传播 | 第30-34页 |
| 3.3 实验分析 | 第34-37页 |
| 3.3.1 数据描述及特征分析 | 第35页 |
| 3.3.2 对比算法 | 第35-36页 |
| 3.3.3 测评指标 | 第36页 |
| 3.3.4 实验结果分析 | 第36-37页 |
| 3.4 本章小结 | 第37-39页 |
| 第四章 基于隐式反馈评分的协同过滤算法 | 第39-50页 |
| 4.1 相关研究 | 第39-41页 |
| 4.2 隐式反馈评分模型 | 第41-42页 |
| 4.2.1 隐式反馈排序 | 第41-42页 |
| 4.2.2 隐式反馈评分学习模型 | 第42页 |
| 4.3 协同过滤推荐算法 | 第42-44页 |
| 4.3.1 基于近邻的推荐算法 | 第43-44页 |
| 4.3.2 基于矩阵分解的推荐算法 | 第44页 |
| 4.4 实验分析 | 第44-49页 |
| 4.4.1 数据描述与用户画像构建 | 第45-47页 |
| 4.4.2 对比算法 | 第47页 |
| 4.4.3 测评指标 | 第47页 |
| 4.4.4 实验结果分析 | 第47-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第五章 融合用户上下文信息的近邻Top-推荐算法 | 第50-61页 |
| 5.1 相关研究 | 第50-51页 |
| 5.2 融合用户上下文信息的近邻Top-推荐模型 | 第51-55页 |
| 5.2.1 算法架构 | 第51-52页 |
| 5.2.2 离线用户聚类 | 第52-53页 |
| 5.2.3 在线推荐 | 第53-55页 |
| 5.3 实验分析 | 第55-59页 |
| 5.3.1 数据描述 | 第55页 |
| 5.3.2 对比算法 | 第55-56页 |
| 5.3.3 测评指标 | 第56-57页 |
| 5.3.4 实验结果分析 | 第57-59页 |
| 5.4 本章小结 | 第59-61页 |
| 总结 | 第61-63页 |
| 参考文献 | 第63-69页 |
| 攻读硕士学位期间取得的研究成果 | 第69-71页 |
| 致谢 | 第71-72页 |
| 附件 | 第72页 |
