声明
摘要
第1章 绪论
1.1 研究背景及意义
1.2 研究内容和主要创新点
1.2.1 研究内容
1.2.2 创新点
1.3 论文组织结构
第2章 相关工作和研究现状
2.1 引言
2.2 推荐系统与用户群体的活跃度
2.3 推荐系统与用户群体的信任度
2.4 推荐系统与用户群体的隐私分享
2.5 本章小结
第3章 Div-clustering:基于高活跃度用户群体兴趣的推荐方法
3.1 实体数据结构与图模型
3.1.1 用户的数据结构
3.1.2 推荐项目的数据结构
3.2 高活跃度用户群体的推荐设计
3.2.1 数据实体的预处理
3.2.2 知识库与非数值属性
3.2.3 Div-clustering推荐算法描述
3.2.4 高活跃度用户群体的确认
3.3 实验与评估
3.3.1 数据集爬取与实验准备
3.3.2 高活跃度用户群体筛选
3.3.3 基于高活跃度用户群体的推荐算法评估
3.3.4 实验结果和讨论
3.4 本章小结
第4章 PointBurst基于高信任度用户和信任关联的推荐算法
4.1 图模型的基本数据结构
4.1.1 同类型实体之间分类
4.1.2 不同类型实体之间的关联
4.2 基于信任关联的推荐算法
4.2.1 基于显性信任关联的推荐算法
4.2.2 基于挖掘隐性信任关联的PointBurst推荐算法
4.3 实验
4.3.1 数据集收集与实验准备
4.3.2 实验结果与分析
4.4 本章小结
第5章 ISBP:一种基于用户隐私分享因素的学习模型
5.1 因素假设
5.2 基于ISBP模型的机器学习算法应用
5.2.1 ISBP模型下的决策树分类器应用
5.2.2 ISBP模型下的K-近邻分类器应用
5.2.3 ISBP模型下的朴素贝叶斯分类器应用
5.3 实验结果与分析
5.3.1 数据集准备
5.3.2 学习结果和因素假设的检验
5.3.3 实验结果
5.4 本章小结
第6章 一种缓解高隐私分享量用户群体流失的决策支持机制
6.1 隐私数据收集与推荐准确性溢出现象
6.1.1 收集过程与用户行为学习结果
6.1.2 溢出现象的发现和确认
6.1.3 溢出现象相关解释
6.2 面向溢出现象的数据建模
6.2.1 基本数据结构
6.2.2 分类学习方法和相关假设
6.3 实验
6.3.1 实验准备和数据集
6.3.2 聚类学习结果和溢出现象的应对方案
6.4 本章小结
第7章 总结与展望
7.1 总结
7.2 展望
参考文献
致谢
攻读学位期间发表的学术论文
攻读学位期间参与科研项目
攻读学位期间获奖情况
外文论文