差分隐私保护的K-means聚类算法及其在推荐系统中的应用

发布时间：2024-05-21 00:11

　　在大数据时代,需要考虑的第一要务是如何正确合理的使用大数据给日常生活带来便利,同时还需要考虑信息泄露的问题。推荐系统在一定程度上解决了大数据带来的信息过载问题,而差分隐私技术则可以达到信息保护的目的。本文设计了差分隐私保护的K-means聚类算法,它利用差分隐私技术解决K-means聚类中用户隐私泄露的问题。此外,将差分隐私保护的K-means聚类算法与RBM算法结合设计出推荐系统,解决大数据时代的信息过载问题。通过调研了已有的差分隐私K-means聚类算法和相应的推荐算法,重点考虑了两方面的内容。一方面,如何将差分隐私技术应用到K-means聚类中保护用户隐私属性的同时还能够保证聚类结果的可用性;另一方面,如何将差分隐私技术保护的K-means聚类算法与RBM结合设计出一个全新的推荐算法,主要研究工作包括:(1)针对K-means聚类算法中的用户隐私信息泄露问题,本文提出了一种通过聚类合并与适应性添加噪声的高效差分隐私K-means聚类算法。设计思路为:首先,在数据集中选出多于指定聚类个数的数据点作为初始聚类中心点;然后,在每次迭代优化中心点过程中加入适应性的噪声;最后,待聚类稳定后...

【文章页数】：69 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
        1.2.1 K-means聚类算法
        1.2.2 差分隐私
        1.2.3 推荐系统
    1.3 本文研究内容与目标
    1.4 章节安排
第二章 基础知识
    2.1 K-means聚类算法
        2.1.1 基本K-means聚类算法的实现
        2.1.2 K-means聚类算法的评价指标
    2.2 差分隐私
        2.2.1 差分隐私保护模型概述
        2.2.2 差分隐私理论基础
        2.2.3 差分隐私的两种框架
    2.3 推荐系统
        2.3.1 推荐系统简介
        2.3.2 推荐系统评价标准
    2.4 本章小结
第三章 差分隐私保护的K-means聚类算法
    3.1 改进的K-means聚类算法
    3.2 安全需求和设计目标
        3.2.1 安全需求
        3.2.2 设计目标
    3.3 DP-KCCM算法设计
        3.3.1 DP-KCCM方案总体流程设计
        3.3.2 DP-KCCM详细步骤设计
    3.4 隐私性分析
    3.5 实验结果分析
        3.5.1 实验数据集
        3.5.2 实验参数设计
        3.5.3 实验结果评估
    3.6 本章小结
第四章 差分隐私K-means聚类与RBM结合的电影推荐算法
    4.1 受限玻尔兹曼机(RBM)
    4.2 设计目标与思路
        4.2.1 设计目标
        4.2.2 设计思路
    4.3 方案设计
        4.3.1 总体方案模型
        4.3.2 详细步骤设计
    4.4 实验结果分析
        4.4.1 实验数据集
        4.4.2 实验参数设计
        4.4.3 实验结果评估
    4.5 本章小结
结论
参考文献
攻读硕士学位期间参与的科研项目和取得的学术成果
致谢



本文编号：3979327