| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-17页 |
| 1.1 研究背景与意义 | 第8-11页 |
| 1.1.1 研究背景介绍 | 第8-10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.3 论文的主要研究内容 | 第14-15页 |
| 1.4 论文组织结构 | 第15-17页 |
| 2 协同过滤与差分隐私相关理论 | 第17-29页 |
| 2.1 协同过滤推荐技术 | 第17-24页 |
| 2.1.1 推荐系统的概念 | 第17页 |
| 2.1.2 基于协同过滤的推荐技术 | 第17-19页 |
| 2.1.3 协同过滤中的矩阵分解技术 | 第19-21页 |
| 2.1.4 基于邻域的推荐算法 | 第21-23页 |
| 2.1.5 协同过滤推荐算法的优缺点 | 第23-24页 |
| 2.2 差分隐私保护技术 | 第24-28页 |
| 2.2.1 传统隐私保护手段的不足 | 第24页 |
| 2.2.2 差分隐私保护技术的提出 | 第24-25页 |
| 2.2.3 差分隐私保护技术相关概念 | 第25-27页 |
| 2.2.4 差分隐私的实现机制与相关性质 | 第27-28页 |
| 2.3 本章小结 | 第28-29页 |
| 3 基于差分隐私保护的矩阵分解推荐算法 | 第29-47页 |
| 3.1 基于矩阵分解的协同过滤推荐算法模型 | 第29-30页 |
| 3.2 差分隐私矩阵分解模型 | 第30-38页 |
| 3.2.1 差分隐私矩阵分解算法模型设计 | 第31-33页 |
| 3.2.2 差分隐私保护的评分平均值计算 | 第33-34页 |
| 3.2.3 差分隐私保护随机梯度下降算法 | 第34页 |
| 3.2.4 差分隐私保护的矩阵分解算法实现 | 第34-37页 |
| 3.2.5 隐私分析 | 第37-38页 |
| 3.3 实验与分析 | 第38-46页 |
| 3.3.1 实验数据集 | 第38-39页 |
| 3.3.2 实验参数配置 | 第39-40页 |
| 3.3.3 实验评价指标 | 第40-41页 |
| 3.3.4 实验对比算法 | 第41-42页 |
| 3.3.5 实验结果与分析 | 第42-46页 |
| 3.4 本章小结 | 第46-47页 |
| 4 基于差分隐私保护的邻域推荐算法 | 第47-68页 |
| 4.1 基于邻域的协同过滤推荐算法模型 | 第47-48页 |
| 4.2 基于差分隐私保护的邻域协同过滤推荐算法模型 | 第48-57页 |
| 4.2.1 差分隐私保护的评分平均值计算 | 第50页 |
| 4.2.2 基于差分隐私的偏置项计算 | 第50-51页 |
| 4.2.3 基于差分隐私的邻居选取 | 第51-52页 |
| 4.2.4 差分隐私保护相似度加扰 | 第52页 |
| 4.2.5 相似度的局部敏感度 | 第52-54页 |
| 4.2.6 基于差分隐私保护的邻域推荐算法的算法描述 | 第54-57页 |
| 4.3 隐私性分析 | 第57-59页 |
| 4.4 实验与分析 | 第59-66页 |
| 4.4.1 实验参数配置 | 第59-60页 |
| 4.4.2 实验对比算法 | 第60页 |
| 4.4.3 实验结果与分析 | 第60-66页 |
| 4.5 本章小结 | 第66-68页 |
| 5 总结与展望 | 第68-70页 |
| 5.1 本文工作总结 | 第68页 |
| 5.2 未来工作展望 | 第68-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 附录 | 第75页 |