| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 引言 | 第11-12页 |
| 1.2 个性化推荐系统研究现状 | 第12-14页 |
| 1.2.1 个性化推荐系统介绍 | 第12页 |
| 1.2.2 个性化推荐系统发展历程 | 第12-13页 |
| 1.2.3 个性化推荐研究内容 | 第13-14页 |
| 1.3 个性化推荐系统面临的问题与挑战 | 第14-15页 |
| 1.4 本文的组织结构 | 第15-17页 |
| 第二章 个性化推荐相关技术介绍 | 第17-25页 |
| 2.1 个性化推荐技术 | 第17-19页 |
| 2.1.1 基于内容的推荐算法 | 第17页 |
| 2.1.2 关联规则推荐算法 | 第17-18页 |
| 2.1.3 协同过滤算法 | 第18页 |
| 2.1.4 混合推荐算法 | 第18-19页 |
| 2.2 协同过滤技术 | 第19-22页 |
| 2.2.1 协同过滤算法的分类 | 第19-20页 |
| 2.2.2 协同过滤算法的推荐流程 | 第20-21页 |
| 2.2.3 协同过滤算法的评测 | 第21-22页 |
| 2.3 隐私保持相关理论基础 | 第22-23页 |
| 2.3.1 推荐系统中用户隐私的来源 | 第22页 |
| 2.3.2 隐私保护技术分类与比较 | 第22-23页 |
| 2.4 本章小结 | 第23-25页 |
| 第三章 跨系统协同过滤隐私保护改进算法 | 第25-43页 |
| 3.1 问题的提出 | 第25-26页 |
| 3.2 研究现状 | 第26-27页 |
| 3.3 基于多个半可信第三方的安全计算模型 | 第27-30页 |
| 3.3.1 RSA公钥密码系统 | 第27页 |
| 3.3.2 轻量级分组密码LBlock | 第27-29页 |
| 3.3.3 安全多方计算与茫然传输协议 | 第29页 |
| 3.3.4 基于多个半可信第三方的安全计算模型 | 第29-30页 |
| 3.4 基于随机扰乱技术的协同过滤算法 | 第30-34页 |
| 3.4.1 随机扰乱技术 | 第30-31页 |
| 3.4.2 正规化技术z-score | 第31-32页 |
| 3.4.3 改进的相似度计算方法 | 第32页 |
| 3.4.4 Jaccard共同评分系数 | 第32-33页 |
| 3.4.5 共同评分项阈值控制函数 | 第33-34页 |
| 3.4.6 改进算法的综合相似度计算 | 第34页 |
| 3.5 结合安全计算和随机扰动的跨系统协同过滤推荐算法 | 第34-38页 |
| 3.5.1 算法详细描述 | 第34-37页 |
| 3.5.2 算法分析 | 第37-38页 |
| 3.6 实验数据及分析 | 第38-42页 |
| 3.6.1 实验数据集 | 第38页 |
| 3.6.2 实验评估策略 | 第38页 |
| 3.6.3 安全性能实验 | 第38-40页 |
| 3.6.4 基于安全计算模型的跨系统协同过滤算法实验 | 第40页 |
| 3.6.5 结合安全计算和随机扰动的跨系统协同过滤推荐算法实验 | 第40-42页 |
| 3.7 本章小结 | 第42-43页 |
| 第四章 基于惊喜度的协同过滤改进算法 | 第43-55页 |
| 4.1 问题的提出 | 第43页 |
| 4.2 研究现状 | 第43-45页 |
| 4.3 相关概念的介绍 | 第45页 |
| 4.3.1 惊喜度介绍 | 第45页 |
| 4.3.2 流行度介绍 | 第45页 |
| 4.4 结合惊喜度和降低流行度的协同过滤算法 | 第45-49页 |
| 4.4.1 惊喜因子的计算 | 第46页 |
| 4.4.2 优质项目因子的计算 | 第46-47页 |
| 4.4.3 流行项目因子的计算 | 第47页 |
| 4.4.4 改进算法的综合相似度计算 | 第47-48页 |
| 4.4.5 目标用户的最近邻居集的选取 | 第48页 |
| 4.4.6 改进算法的评分预测值计算 | 第48-49页 |
| 4.5 算法流程 | 第49-51页 |
| 4.6 实验数据及分析 | 第51-53页 |
| 4.6.1 推荐精度比较实验 | 第51-52页 |
| 4.6.3 推荐惊喜度评估实验 | 第52-53页 |
| 4.7 本章小节 | 第53-55页 |
| 第五章 结论 | 第55-59页 |
| 5.1 总结 | 第55-56页 |
| 5.2 展望 | 第56-59页 |
| 参考文献 | 第59-63页 |
| 攻读学位期间所取得的相关成果 | 第63-65页 |
| 致谢 | 第65-66页 |
