| 摘要 | 第1-13页 |
| ABSTRACT | 第13-17页 |
| 第1章 绪论 | 第17-22页 |
| ·研究背景及意义 | 第17-18页 |
| ·研究内容和主要创新点 | 第18-20页 |
| ·研究内容 | 第18-19页 |
| ·创新点 | 第19-20页 |
| ·论文组织结构 | 第20-22页 |
| 第2章 相关工作和研究现状 | 第22-31页 |
| ·引言 | 第22-23页 |
| ·推荐系统与用户群体的活跃度 | 第23-24页 |
| ·推荐系统与用户群体的信任度 | 第24-26页 |
| ·推荐系统与用户群体的隐私分享 | 第26-30页 |
| ·本章小结 | 第30-31页 |
| 第3章 Div-clustering：基于高活跃度用户群体兴趣的推荐方法 | 第31-48页 |
| ·实体数据结构与图模型 | 第31-33页 |
| ·用户的数据结构 | 第32-33页 |
| ·推荐项目的数据结构 | 第33页 |
| ·高活跃度用户群体的推荐设计 | 第33-40页 |
| ·数据实体的预处理 | 第33-35页 |
| ·知识库与非数值属性 | 第35-36页 |
| ·Div-clustering推荐算法描述 | 第36-38页 |
| ·高活跃度用户群体的确认 | 第38-40页 |
| ·实验与评估 | 第40-47页 |
| ·数据集爬取与实验准备 | 第40-41页 |
| ·高活跃度用户群体筛选 | 第41-45页 |
| ·基于高活跃度用户群体的推荐算法评估 | 第45-46页 |
| ·实验结果和讨论 | 第46-47页 |
| ·本章小结 | 第47-48页 |
| 第4章 PointBurst：基于高信任度用户和信任关联的推荐算法 | 第48-57页 |
| ·图模型的基本数据结构 | 第48-50页 |
| ·同类型实体之间分类 | 第48-50页 |
| ·不同类型实体之间的关联 | 第50页 |
| ·基于信任关联的推荐算法 | 第50-53页 |
| ·基于显性信任关联的推荐算法 | 第51-52页 |
| ·基于挖掘隐性信任关联的PointBurst推荐算法 | 第52-53页 |
| ·实验 | 第53-56页 |
| ·数据集收集与实验准备 | 第53-54页 |
| ·实验结果与分析 | 第54-56页 |
| ·本章小结 | 第56-57页 |
| 第5章 ISBP：一种基于用户隐私分享因素的学习模型 | 第57-77页 |
| ·因素假设 | 第57-59页 |
| ·基于ISBP模型的机器学习算法应用 | 第59-66页 |
| ·ISBP模型下的决策树分类器应用 | 第61-63页 |
| ·ISBP模型下的K-近邻分类器应用 | 第63-64页 |
| ·ISBP模型下的朴素贝叶斯分类器应用 | 第64-66页 |
| ·实验结果与分析 | 第66-76页 |
| ·数据集准备 | 第66-69页 |
| ·学习结果和因素假设的检验 | 第69-71页 |
| ·实验结果 | 第71-76页 |
| ·本章小结 | 第76-77页 |
| 第6章 一种缓解高隐私分享量用户群体流失的决策支持机制 | 第77-94页 |
| ·隐私数据收集与推荐准确性溢出现象 | 第77-86页 |
| ·收集过程与用户行为学习结果 | 第77-79页 |
| ·溢出现象的发现和确认 | 第79-83页 |
| ·溢出现象相关解释 | 第83-86页 |
| ·面向溢出现象的数据建模 | 第86-89页 |
| ·基本数据结构 | 第86-87页 |
| ·分类学习方法和相关假设 | 第87-89页 |
| ·实验 | 第89-93页 |
| ·实验准备和数据集 | 第89-90页 |
| ·聚类学习结果和溢出现象的应对方案 | 第90-93页 |
| ·本章小结 | 第93-94页 |
| 第7章 总结与展望 | 第94-97页 |
| ·总结 | 第94-96页 |
| ·展望 | 第96-97页 |
| 参考文献 | 第97-109页 |
| 致谢 | 第109-110页 |
| 攻读学位期间发表的学术论文 | 第110-111页 |
| 攻读学位期间参与科研项目 | 第111-112页 |
| 攻读学位期间获奖情况 | 第112-113页 |
| 外文论文 | 第113-162页 |
| 学位论文评阅及答辩情况表 | 第162页 |
