社交网络推荐系统的隐私保护研究

发布时间：2017-10-28 12:28

  本文关键词：社交网络推荐系统的隐私保护研究

  更多相关文章： 推荐系统 社交网络 节点分割 隐私保护技术 协同过滤

【摘要】：随着信息技术的发展和网络生活的社交化,网络中数据量急速增长,用户如何在庞大的网络数据中找到所需资源变得尤为重要。推荐系统正是为解决此类问题而生,它不仅可以提高用户忠诚度、满意度,同时具有潜在商业价值。个性化推荐系统在给用户提供便捷的同时,也带来了个人隐私安全问题。高效准确的推荐系统要求掌握大量且准确的个性化信息,但在用户信息采集时,并不是都得到用户的主动许可的。随着自我保护意识的增强,用户越来越关心自身隐私安全。当用户发现自己的搜索历史被别人发现并利用或频繁接收到垃圾广告推送等诸多现象时,就会引发对个性化推荐的反感和不信任。因此,解决好社交网络推荐系统中的安全问题,有利于推荐系统的推广和发展。针对以上问题,本文在前人研究基础上将匿名隐私保护融入推荐环节,优化常规推荐算法,提出“基于节点分割隐私保护的组合推荐系统”(NAPPHRS),使其既能有效保护用户信息,又能获得较好的推荐结果。本文主要研究工作及成果如下:(一)综述了个性化推荐技术、隐私保护技术和推荐系统隐私保护技术的研究现状,指出推荐系统需要进一步解决和研究的问题,即用户隐私泄露问题。(二)对社交网络的相关概念和社交网络中安全问题进行阐述,介绍了社交网络中个性化服务隐私保护技术的种类和原理,为后文提出基于节点分割的属性隐私保护算法做铺垫。(三)融合匿名保护和协同过滤组合推荐算法,设计了“基于节点分割隐私保护的组合推荐系统”(简称NAPPHRS)。通过仿真实验对其可行性和有效性进行验证。实验结果表明本文提出的系统能够匿名用户信息和属性,提升推荐系统安全性;并且能取得较好个性化推荐结果。本文的创新点在于:(一)考虑到社交网络用户属性分布具有相关性,提出了基于属性分割的节点分割算法,分割过程尽可能地保持属性分布的相关性特征,提高了具有隐私属性的用户节点的匿名性。(二)将基于节点分割的隐私保护算法融合到个性化推荐过程中,实现了个性化推荐过程中的隐私保护,很好地实现了本文的初衷。(三)采用组合推荐,在一定程度上消弱了数据可用性降低给推荐系统造成的影响,推荐结果较为理想。
【关键词】：推荐系统 社交网络 节点分割 隐私保护技术 协同过滤
【学位授予单位】：上海师范大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.3
【目录】：

• 摘要3-4
• Abstract4-8
• 第一章 绪论8-15
• 1.1 研究背景和意义8-10
• 1.1.1 研究背景介绍8-9
• 1.1.2 研究意义9-10
• 1.2 研究现状及发展趋势10-13
• 1.2.1 个性化推荐技术的研究现状10-12
• 1.2.2 互联网隐私保护的研究现状12
• 1.2.3 个性化推荐系统中的隐私保护现状12-13
• 1.3 论文主要研究内容13-14
• 1.4 论文组织结构14-15
• 第二章 个性化推荐系统的概念及相关技术15-24
• 2.1 推荐系统概述15-16
• 2.2 推荐方法的提出16
• 2.3 主要的推荐技术16-20
• 2.3.1 基于内容的推荐技术16-17
• 2.3.2 基于关联规则的推荐技术17-18
• 2.3.3 基于协同过滤的推荐技术18-20
• 2.4 个性化服务中的隐私泄露20-23
• 2.4.1 个性化服务中的隐私泄露事件20-21
• 2.4.2 推荐系统被恶意操纵的危害21-22
• 2.4.3 个性化推荐系统与用户信息安全的关联机制22-23
• 2.5 本章小结23-24
• 第三章 社交网络推荐系统的信息安全及隐私保护24-32
• 3.1 社交网络研究24-26
• 3.1.1 社交网络概述24-25
• 3.1.2 社交网络基本理论25-26
• 3.2 社交网络中安全风险分析26-29
• 3.2.1 社交网络用户隐私概念26
• 3.2.2 社交网络用户隐私的种类26-27
• 3.2.3 社交网络推荐系统的隐私泄露27-29
• 3.3 社交网络中个性化推荐系统的隐私保护技术29-31
• 3.3.1 改进系统结构29-30
• 3.3.2 匿名技术30
• 3.3.3 关联规则挖掘中隐私保护技术30
• 3.3.4 协同过滤中的隐私保护技术30-31
• 3.4 本章小结31-32
• 第四章 社交网络推荐系统隐私保护相关研究32-45
• 4.1 总体结构设计32-33
• 4.1.1 问题的提出32
• 4.1.2 总体结构设计32-33
• 4.2 基于节点分割的属性匿名隐私保护设计33-41
• 4.2.1 基本思想33
• 4.2.2 数据模型与定义33-35
• 4.2.3 方案原理35-36
• 4.2.4 算法流程36-39
• 4.2.5 隐私保护程度理论分析39-41
• 4.2.6 数据可用性分析41
• 4.3 隐私保护后的推荐系统的效率优化41-43
• 4.3.1 后续优化的必要性41-42
• 4.3.2 优化的方法选择42-43
• 4.4 本章小结43-45
• 第五章 实验与结果分析45-52
• 5.1 实验环境及数据集45
• 5.2 隐私保护程度实验结果分析45-47
• 5.3 个性化推荐模块实验分析47-49
• 5.4 系统性能实验结果分析49-51
• 5.5 本章小结51-52
• 第六章 总结与展望52-54
• 6.1 总结52
• 6.2 展望52-54
• 参考文献54-57
• 攻读学位期间的研究成果57-58
• 致谢58

【参考文献】

中国期刊全文数据库 前10条

1 邱均平;李艳红;;社交网络中用户隐私安全问题探究[J];情报资料工作;2012年06期

2 王国霞;刘贺平;;个性化推荐系统综述[J];计算机工程与应用;2012年07期

3 李林容;;社交网络的特性及其发展趋势[J];新闻界;2010年05期

4 秦晓薇;门爱华;邹妍;;基于K-匿名的隐私保护算法研究[J];赤峰学院学报(自然科学版);2010年05期

5 李春;朱珍民;叶剑;周佳颖;;个性化服务研究综述[J];计算机应用研究;2009年11期

6 苑迎;刘国华;张宇;李颖;;极少信息共享的敏感信息检索方法[J];计算机工程;2009年16期

7 许海玲;吴潇;李晓东;阎保平;;互联网推荐系统比较研究[J];软件学报;2009年02期

8 刘建国;周涛;汪秉宏;;个性化推荐系统的研究进展[J];自然科学进展;2009年01期

9 姚忠;魏佳;吴跃;;基于高维稀疏数据聚类的协同过滤推荐算法[J];信息系统学报;2008年02期

10 余力,刘鲁;电子商务个性化推荐研究[J];计算机集成制造系统;2004年10期

中国博士学位论文全文数据库 前2条

1 任磊;推荐系统关键技术研究[D];华东师范大学;2012年

2 郭艳红;推荐系统的协同过滤算法与应用研究[D];大连理工大学;2008年

中国硕士学位论文全文数据库 前5条

1 朱琳可;基于社交网络的个性化推荐服务研究[D];西北大学;2012年

2 杨畅;基于项目分类和用户情景推荐的研究及应用[D];重庆大学;2012年

3 李高敏;基于协同过滤的教学资源个性化推荐技术的研究及应用[D];北京交通大学;2011年

4 杜金涛;基于粗糙集的协同推荐模型研究[D];杭州电子科技大学;2009年

5 谢中;基于Web数据挖掘商务网站推荐系统的研究[D];西南师范大学;2002年

，

本文编号：1108268