| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.1.1 研究背景 | 第12-13页 |
| 1.1.2 研究意义 | 第13页 |
| 1.2 研究内容和方法 | 第13-14页 |
| 1.2.1 研究内容 | 第13-14页 |
| 1.2.2 研究方法 | 第14页 |
| 1.3 本文创新点 | 第14页 |
| 1.4 论文结构框架 | 第14-16页 |
| 第二章 研究综述 | 第16-27页 |
| 2.1 在线隐私保护理论 | 第16-19页 |
| 2.1.1 在线隐私保护概述 | 第16-17页 |
| 2.1.2 隐私保护研究热点 | 第17-18页 |
| 2.1.3 隐私保护研究重点 | 第18-19页 |
| 2.2 推荐系统相关理论 | 第19-26页 |
| 2.2.1 推荐系统一般框架 | 第19-20页 |
| 2.2.2 推荐系统的分类 | 第20-25页 |
| 2.2.3 推荐系统研究热点 | 第25-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第三章 在线隐私保护的策略研究 | 第27-37页 |
| 3.1 在线用户隐私关注影响因素调查 | 第27-34页 |
| 3.1.1 问卷调研 | 第27-28页 |
| 3.1.2 问卷分析 | 第28-33页 |
| 3.1.3 用户隐私关注影响因素分析 | 第33-34页 |
| 3.2 推荐系统中的隐私保护分析 | 第34-36页 |
| 3.2.1 推荐系统的基本特性 | 第34页 |
| 3.2.2 推荐系统中的隐私保护分析 | 第34-35页 |
| 3.2.3 推荐系统中隐私风险分析 | 第35-36页 |
| 3.3 综合分析隐私保护策略 | 第36页 |
| 3.4 本章小结 | 第36-37页 |
| 第四章 基于SVD的在线隐私保护研究 | 第37-51页 |
| 4.1 模型的构建 | 第37-43页 |
| 4.1.1 基于潜在因子模型的原始奇异值分解算法 | 第37-38页 |
| 4.1.2 问题描述 | 第38-39页 |
| 4.1.3 数据更新模型 | 第39-43页 |
| 4.2 模型评估 | 第43-45页 |
| 4.2.1 预测模型和误差检测 | 第43页 |
| 4.2.2 隐私估计 | 第43-44页 |
| 4.2.3 评估策略 | 第44-45页 |
| 4.3 数据分析 | 第45-50页 |
| 4.3.1 奇异值分解算法中的缩减的秩(k)的选取 | 第45页 |
| 4.3.2 分流比2? | 第45-47页 |
| 4.3.3 分流比1? | 第47-49页 |
| 4.3.4 数据更新中的随机性 | 第49-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第五章 基于NMF的在线隐私保护研究 | 第51-68页 |
| 5.1 含辅助信息的非负矩阵分解算法（Aux-NMF） | 第51-57页 |
| 5.1.1 目标函数 | 第51-53页 |
| 5.1.2 更新公式 | 第53-55页 |
| 5.1.3 收敛性分析 | 第55-57页 |
| 5.1.4 具体算法： | 第57页 |
| 5.2 含辅助信息的增量非负矩阵分解算法（iAux-NMF） | 第57-58页 |
| 5.2.1 问题描述 | 第57-58页 |
| 5.2.2 数据更新 | 第58页 |
| 5.3 实验 | 第58-67页 |
| 5.3.1 数据来源 | 第58-59页 |
| 5.3.2 数据预处理 | 第59-60页 |
| 5.3.3 评估手段 | 第60页 |
| 5.3.4 结果与讨论 | 第60-67页 |
| 5.4 本章小结 | 第67-68页 |
| 第六章 总结与展望 | 第68-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-76页 |
| 附录 | 第76-83页 |
| 攻读硕士学位期间取得的成果 | 第83-84页 |
