| 摘要 | 第5-8页 |
| ABSTRACT | 第8-10页 |
| 目录 | 第11-16页 |
| 表格 | 第16-18页 |
| 插图 | 第18-22页 |
| 算法 | 第22-23页 |
| 第一章 绪论 | 第23-35页 |
| 1.1 研究背景和意义 | 第23-26页 |
| 1.2 国内外研究现状 | 第26-28页 |
| 1.3 主要研究工作 | 第28-31页 |
| 1.4 论文的组织结构 | 第31-35页 |
| 第二章 情境感知的移动用户个性化偏好挖掘方法 | 第35-65页 |
| 2.1 引言 | 第35-37页 |
| 2.2 相关工作 | 第37-39页 |
| 2.3 预备知识和方法概览 | 第39-41页 |
| 2.4 基于情境数据条件独立性假设的移动用户偏好挖掘方法 | 第41-46页 |
| 2.4.1 基于LDA模型的用户偏好学习 | 第43-44页 |
| 2.4.2 基于LDAC模型的用户偏好学习 | 第44-45页 |
| 2.4.3 公共偏好数目估计方法 | 第45-46页 |
| 2.5 基于情境数据依赖性假设的移动用户偏好挖掘方法 | 第46-51页 |
| 2.5.1 活动相关情境的挖掘方法 | 第47-48页 |
| 2.5.2 基于矩阵分解方法的用户偏好学习 | 第48-50页 |
| 2.5.3 公共偏好数目估计方法 | 第50-51页 |
| 2.6 实验结果分析 | 第51-62页 |
| 2.6.1 实验数据集 | 第51-53页 |
| 2.6.2 实验用基准方法 | 第53-54页 |
| 2.6.3 方法评价指标 | 第54-55页 |
| 2.6.4 实验结果总体分析 | 第55-59页 |
| 2.6.5 鲁棒性测试 | 第59页 |
| 2.6.6 案例分析 | 第59-62页 |
| 2.7 本章小结 | 第62-63页 |
| 2.8 附录：CIAP-LDAC方法的Gibbs采样推导 | 第63-65页 |
| 第三章 基于扩展信息的移动App分类方法 | 第65-91页 |
| 3.1 引言 | 第65-67页 |
| 3.2 相关工作 | 第67-68页 |
| 3.3 预备知识和方法概览 | 第68-71页 |
| 3.4 构建移动App分类器的技术细节 | 第71-79页 |
| 3.4.1 基于Web搜索引擎的文本特征提取 | 第71-74页 |
| 3.4.2 基于用户情境日志的辅助特征提取 | 第74-78页 |
| 3.4.3 移动App分类器的训练 | 第78-79页 |
| 3.5 实验结果分析 | 第79-88页 |
| 3.5.1 实验数据及设置 | 第79-81页 |
| 3.5.2 实验用基准方法 | 第81-82页 |
| 3.5.3 方法评价指标 | 第82页 |
| 3.5.4 实验结果总体分析 | 第82-85页 |
| 3.5.5 分类模型的效率分析 | 第85页 |
| 3.5.6 应用案例：基于App使用的用户分组 | 第85-88页 |
| 3.6 本章小结 | 第88-91页 |
| 第四章 面向移动App的排名欺诈检测方法 | 第91-121页 |
| 4.1 引言 | 第91-93页 |
| 4.2 相关工作 | 第93-94页 |
| 4.3 移动App的活跃周期识别方法 | 第94-96页 |
| 4.3.1 预备知识 | 第94-95页 |
| 4.3.2 活跃周期挖掘算法 | 第95-96页 |
| 4.4 排名欺诈检测的证据提取方法 | 第96-109页 |
| 4.4.1 基于排名的欺诈证据 | 第96-102页 |
| 4.4.2 基于评分的欺诈证据 | 第102-104页 |
| 4.4.3 基于评论的欺诈证据 | 第104-106页 |
| 4.4.4 欺诈证据整合 | 第106-109页 |
| 4.5 方法讨论 | 第109-110页 |
| 4.6 实验结果分析 | 第110-120页 |
| 4.6.1 实验数据 | 第110-111页 |
| 4.6.2 挖掘App的活跃周期 | 第111-112页 |
| 4.6.3 基于人工标注的评价方法 | 第112-116页 |
| 4.6.4 案例学习：评价App的可信度 | 第116-118页 |
| 4.6.5 证据整合方法的鲁棒性讨论 | 第118-120页 |
| 4.7 本章小结 | 第120-121页 |
| 第五章 面向移动App的流行度建模方法 | 第121-141页 |
| 5.1 引言 | 第121-122页 |
| 5.2 相关工作 | 第122-123页 |
| 5.3 方法概览 | 第123-125页 |
| 5.3.1 App流行度信息 | 第123-125页 |
| 5.3.2 问题描述 | 第125页 |
| 5.4 面向App的流行度建模方法详解 | 第125-130页 |
| 5.4.1 PHMM的模型训练 | 第126-128页 |
| 5.4.2 流行度状态数目估计 | 第128-130页 |
| 5.5 PHMM的模型应用 | 第130-133页 |
| 5.6 实验结果分析 | 第133-139页 |
| 5.6.1 PHMM的模型训练效果 | 第133-134页 |
| 5.6.2 PHMM模型的有效性分析 | 第134-138页 |
| 5.6.3 PHMM的鲁棒性测试 | 第138-139页 |
| 5.7 本章小结 | 第139-141页 |
| 第六章 安全隐私感知的移动App推荐方法 | 第141-165页 |
| 6.1 引言 | 第141-143页 |
| 6.2 相关工作 | 第143-144页 |
| 6.3 安全隐私感知的移动App推荐系统概览 | 第144-148页 |
| 6.3.1 预备知识 | 第144-147页 |
| 6.3.2 推荐系统框架概览 | 第147-148页 |
| 6.4 学习移动App的安全风险值 | 第148-151页 |
| 6.5 移动App推荐算法 | 第151-155页 |
| 6.6 实验结果分析 | 第155-163页 |
| 6.6.1 实验数据集 | 第155-157页 |
| 6.6.2 移动App安全级别划分 | 第157-158页 |
| 6.6.3 移动App的安全风险排序 | 第158-162页 |
| 6.6.4 移动App推荐性能分析 | 第162-163页 |
| 6.7 本章小结 | 第163-165页 |
| 第七章 总结与展望 | 第165-169页 |
| 7.1 工作总结 | 第165-167页 |
| 7.2 未来研究展望 | 第167-169页 |
| 参考文献 | 第169-185页 |
| 致谢 | 第185-187页 |
| 在读期间发表的学术论文与取得的研究成果 | 第187-193页 |
| 已发表/接收期刊论文 | 第187-188页 |
| 已发表/接收会议论文 | 第188-191页 |
| 已申请发明专利 | 第191页 |
| 主要参与的科研项目情况 | 第191-192页 |
| 攻读学位期间获得的学术奖励 | 第192-193页 |
