| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文的主要研究内容 | 第13-14页 |
| 1.4 本文的组织结构 | 第14-16页 |
| 第2章 协同过滤推荐算法及攻击检测相关理论概括 | 第16-26页 |
| 2.1 协同过滤推荐算法 | 第16-18页 |
| 2.1.1 基于用户的协同过滤推荐算法 | 第16-17页 |
| 2.1.2 基于项目的协同过滤推荐算法 | 第17-18页 |
| 2.2 攻击技术相关理论介绍 | 第18-23页 |
| 2.2.1 协同过滤推荐系统面临的安全隐患 | 第19-20页 |
| 2.2.2 推荐攻击的相关概念 | 第20-22页 |
| 2.2.3 攻击模型的分类 | 第22-23页 |
| 2.3 相关检测算法的介绍 | 第23-25页 |
| 2.3.1 决策树算法 | 第23-25页 |
| 2.3.2 K-means算法 | 第25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 基于项目流行度和新颖度特征的托攻击检测算法 | 第26-38页 |
| 3.1 引言 | 第26页 |
| 3.2 传统的攻击检测特征及分析 | 第26-28页 |
| 3.3 基于流行度和新颖度特征的托攻击集成检测框架 | 第28-29页 |
| 3.4 特征提取 | 第29-35页 |
| 3.5 基于流行度和新颖度的集成检测算法 | 第35-37页 |
| 3.5.1 基分类器的生成 | 第35-36页 |
| 3.5.2 托攻击检测算法描述 | 第36-37页 |
| 3.6 本章小结 | 第37-38页 |
| 第4章 基于多特征混合决策的托攻击检测算法 | 第38-48页 |
| 4.1 引言 | 第38页 |
| 4.2 基于多特征混合决策的托攻击检测框架 | 第38-47页 |
| 4.2.1 基于K-means和阈值判断的混合检测阶段 | 第39-41页 |
| 4.2.2 基于用户支持度的决策阶段 | 第41-43页 |
| 4.2.3 基于协同评分偏离度的过滤阶段 | 第43-47页 |
| 4.3 本章小结 | 第47-48页 |
| 第5章 实验验证与分析 | 第48-58页 |
| 5.1 引言 | 第48页 |
| 5.2 实验数据和实验环境 | 第48-49页 |
| 5.2.1 实验数据 | 第48页 |
| 5.2.2 实验环境 | 第48-49页 |
| 5.2.3 实验评价标准 | 第49页 |
| 5.3 基于项目流行度和新颖度特征的托攻击检测算法实验验证 | 第49-53页 |
| 5.3.1 数据生成 | 第49页 |
| 5.3.2 对比实验 | 第49-50页 |
| 5.3.3 信息增益 | 第50-51页 |
| 5.3.4 准确率对比 | 第51-52页 |
| 5.3.5 召回率对比 | 第52-53页 |
| 5.4 基于多特征混合决策的托攻击检测算法实验验证 | 第53-57页 |
| 5.4.1 数据生成 | 第53-54页 |
| 5.4.2 对比实验 | 第54页 |
| 5.4.3 准确率对比 | 第54-56页 |
| 5.4.4 召回率对比 | 第56-57页 |
| 5.5 本章小结 | 第57-58页 |
| 结论 | 第58-60页 |
| 参考文献 | 第60-65页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第65-66页 |
| 致谢 | 第66页 |
