基于隐私保护的社交网络用户推荐系统
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-15页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 位置隐私研究现状 | 第9-11页 |
| 1.2.2 基于位置推荐研究现状 | 第11-12页 |
| 1.3 研究内容及创新点 | 第12-13页 |
| 1.4 内容组织 | 第13-14页 |
| 1.5 本章小结 | 第14-15页 |
| 2 基本理论与相关技术 | 第15-35页 |
| 2.1 大数据框架技术 | 第15-21页 |
| 2.1.1 Spark技术 | 第15-18页 |
| 2.1.2 Hive存储技术 | 第18-20页 |
| 2.1.3 Mycat数据库集群中间件 | 第20-21页 |
| 2.2 位置隐私保护算法 | 第21-25页 |
| 2.2.1 基于位置服务中的安全威胁 | 第21-22页 |
| 2.2.2 常用的位置隐私保护算法 | 第22-25页 |
| 2.3 传统的推荐系统技术 | 第25-33页 |
| 2.3.1 协同过滤推荐算法 | 第25-27页 |
| 2.3.2 逻辑回归算法 | 第27-30页 |
| 2.3.4 相似度计算 | 第30-32页 |
| 2.3.5 推荐系统的评判 | 第32-33页 |
| 2.4 本章小结 | 第33-35页 |
| 3 基于用户坐标均值的隐私保护算法 | 第35-45页 |
| 3.1 引言 | 第35页 |
| 3.2 位置隐匿算法 | 第35-37页 |
| 3.2.1 k-anonymity算法 | 第35-36页 |
| 3.2.2 泛化隐匿法 | 第36-37页 |
| 3.3 服务器框架 | 第37-38页 |
| 3.4 基于坐标均值隐匿算法描述 | 第38-44页 |
| 3.4.1 算法实现目的 | 第38-39页 |
| 3.4.2 算法描述 | 第39-44页 |
| 3.5 本章小结 | 第44-45页 |
| 4 基于用户位置的推荐系统 | 第45-54页 |
| 4.1 逻辑回归算法在推荐系统中的应用 | 第45-47页 |
| 4.1.1 推荐系统基本思想 | 第45页 |
| 4.1.2 基于隐私保护的推荐系统整体架构 | 第45-46页 |
| 4.1.3 利用逻辑回归算法模型训练原理 | 第46-47页 |
| 4.2 数据预处理 | 第47-49页 |
| 4.2.1 正负例抽取 | 第47页 |
| 4.2.2 特征处理 | 第47-48页 |
| 4.2.3 数据处理 | 第48-49页 |
| 4.3 模型训练 | 第49-53页 |
| 4.3.1 数据输入处理 | 第49-50页 |
| 4.3.2 模型训练 | 第50-51页 |
| 4.3.3 模型使用 | 第51-53页 |
| 4.4 本章小结 | 第53-54页 |
| 5 实验结果分析 | 第54-68页 |
| 5.1 基于位置坐标均值隐匿算法 | 第54-58页 |
| 5.1.1 实验数据 | 第54页 |
| 5.1.2 隐匿算法评价 | 第54-58页 |
| 5.2 基于位置的推荐系统 | 第58-67页 |
| 5.2.1 实验环境 | 第58-60页 |
| 5.2.2 实验数据集 | 第60-63页 |
| 5.2.3 推荐系统的评价 | 第63-67页 |
| 5.3 本章小结 | 第67-68页 |
| 结论 | 第68-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-76页 |
| 攻读学位期间发表的相关学术论文及研究成果 | 第76页 |
