目錄
序言
第1章 緒論 1
1.1 社交網絡推薦簡介 1
1.2 社交網絡推薦技術 3
1.2.1 社交網絡推薦技術簡介 3
1.2.2 基于內容的推薦 3
1.2.3 基于協同過濾的推薦 4
1.2.4 基于知識的推薦 8
1.2.5 混合推薦 9
1.2.6 各種推薦技術的特點 9
1.3 推薦系統評價指標 10
1.3.1 準確度 10
1.3.2 多樣性 11
1.3.3 新穎性 12
1.3.4 覆蓋性 12
1.4 社交網絡推薦內涵及其挑戰(zhàn) 13
1.4.1 社交網絡推薦內涵 13
1.4.2 社交網絡推薦面臨的挑戰(zhàn) 14
第2章 基于超圖拓撲結構的社交網絡推薦 16
2.1 問題定義 16
2.2 社交網絡拓撲結構分析 16
2.3 基于超圖的推薦模型 20
2.3.1 用戶上下文聚類 20
2.3.2 融入社交圈用戶相似度及項目特征相似度 22
2.3.3 推薦模型訓練 23
2.3.4 冷啟動方案 25
2.4 實驗分析 26
2.4.1 實驗設置 26
2.4.2 實驗結果 28
2.5 本章小結 36
第3章 基于核化網絡的社交網絡推薦 37
3.1 問題定義 37
3.2 深度學習矩陣因子分解模型 38
3.2.1 基于核化網絡的通用深度學習推薦框架 38
3.2.2 核化網絡處理步驟 39
3.3 基于顯式信息的深度學習矩陣分解推薦方法 40
3.3.1 核化網絡 40
3.3.2 隱式信息挖掘 42
3.4 實驗結果及分析 44
3.4.1 實驗設置 44
3.4.2 實驗結果 46
3.5 本章小結 51
第4章 基于奇異值分解的隱私保護推薦 52
4.1 問題定義 52
4.2 隨機擾動簡介 52
4.2.1 隨機擾動在推薦中的應用 52
4.2.2 隱私保護推薦的系統結構 53
4.2.3 傳統隨機化擾動的特點 54
4.3 改進的隨機擾動隱私保護算法 55
4.3.1 隱私多樣性 55
4.3.2 算法框架和實現 56
4.3.3 算法性能評估標準 58
4.4 實驗結果及分析 58
4.4.1 實驗設置 58
4.4.2 填充比例分析 59
4.4.3 擾動強度分析 59
4.5 本章小結 63
第5章 基于多級隨機擾動的隱私保護推薦 64
5.1 問題定義 64
5.2 相關工作 64
5.2.1 潛在因子模型 64
5.2.2 隨機擾動 65
5.2.3 數據稀疏填充 66
5.3 基于多級隨機擾動的隱私保護推薦方案 66
5.3.1 多級組合隨機擾動模型 67
5.3.2 偽評分預測填充算法 69
5.3.3 算法時間復雜度分析 70
5.4 實驗結果及分析 70
5.4.1 實驗數據集 70
5.4.2 評價標準 71
5.4.3 實驗設置 71
5.4.4 實驗結果分析 71
5.5 本章小結 76
第6章 基于差分隱私的興趣點推薦 77
6.1 問題定義 77
6.2 矩陣分解模型及差分隱私理論 78
6.2.1 矩陣分解模型 78
6.2.2 差分隱私定義 79
6.3 推薦系統模型構建和優(yōu)化 81
6.3.1 用戶興趣偏移度 82
6.3.2 基于興趣偏移的推薦模型 83
6.4 基于差分隱私的推薦模型 84
6.4.1 隱私鄰居選擇 85
6.4.2 梯度擾動 87
6.4.3 安全性分析 88
6.5 實驗結果及分析 89
6.5.1 實驗設置 89
6.5.2 實驗結果 90
6.6 本章小結 93
第7章 基于分布式差分隱私的推薦 94
7.1 問題定義 94
7.2 分布式隱私保護推薦框架 95
7.2.1 相關符號及隱私保護理論 95
7.2.2 系統架構 96
7.2.3 攻擊模型及設計目標 98
7.3 分布式隱私保護推薦方法 99
7.3.1 用戶端分片算法設計 99
7.3.2 分布式推薦服務器端隱私保護模型 100
7.3.3 位置服務器端隱私保護模型 101
7.3.4 安全性分析 102
7.4 實驗結果及分析 103
7.4.1 實驗設置 103
7.4.2 實驗結果 104
7.5 本章小結 109
第8章 基于差分隱私的并行離線推薦 110
8.1 問題定義 110
8.2 模型設計 110
8.2.1 并行設計 111
8.2.2 模型訓練 115
8.2.3 引入差分隱私 117
8.3 實驗分析 119
8.3.1 實驗環(huán)境及數據 119
8.3.2 評價指標 120
8.3.3 實驗結果 121
8.4 本章小結 124
第9章 基于差分隱私的并行在線推薦 125
9.1 問題定義 125
9.2 常用并行推薦算法介紹 125
9.2.1 BaPa算法 125
9.2.2 BALS算法 126
9.2.3 HogWild！算法 127
9.2.4 Spark并行平臺 127
9.2.5 其他相關技術 128
9.3 模型設計 128
9.3.1 并行化設計 128
9.3.2 模型訓練 129
9.3.3 安全性分析 132
9.4 實驗分析 133
9.4.1 實驗環(huán)境及數據 133
9.4.2 評價指標 134
9.4.3 實驗結果 134
9.5 本章小結 137
第10章 基于本地差分隱私的聯邦推薦 138
10.1 問題定義 138
10.2 基于均值求和的矩陣分解算法 138
10.2.1 相關數學定義 138
10.2.2 矩陣模型介紹 139
10.2.3 算法流程 141
10.3 保護用戶敏感數據的本地差分隱私推薦算法 143
10.3.1 矩陣模型介紹 143
10.3.2 算法流程 144
10.3.3 復雜度及安全性分析 144
10.4 實驗結果及分析 146
10.4.1 實驗設置 146
10.4.2 實驗結果 148
10.5 本章小結 153
第11章 基于秘密共享的聯邦推薦 154
11.1 問題定義 154
11.2 基于秘密共享技術保護用戶隱私 154
11.2.1 相關數學定義 154
11.2.2 聯邦矩陣分解方法 155
11.2.3 保護隱私的聯邦矩陣分解框架 157
11.2.4 算法流程 158
11.3 融入用戶項目交互值的推薦方法 159
11.3.1 問題分析 159
11.3.2 引入用戶項目交互值 160
11.3.3 算法流程 161
11.3.4 復雜度及安全性分析 162
11.4 實驗結果及分析 163
11.4.1 實驗設置 163
11.4.2 實驗結果 164
11.5 本章小結 169
第12章 基于遷移學習的跨組織聯邦矩陣分解推薦 170
12.1 問題定義 170
12.2 單方跨組織聯邦矩陣分解推薦算法 170
12.2.1 相關數學定義 170
12.2.2 基于遷移學習的單方跨組織聯邦矩陣分解推薦算法 171
12.2.3 算法流程 172
12.3 多方跨組織聯邦矩陣分解推薦算法 174
12.3.1 基于遷移學習的多方跨組織聯邦矩陣分解推薦算法 174
12.3.2 算法流程 175
12.4 實驗結果及分析 176
12.4.1 實驗設置 177
12.4.2 實驗結果 179
12.5 本章小結 185
第13章 基于單稀疏輔助域的跨域推薦 186
13.1 問題定義 186
13.2 單稀疏輔助域的跨域推薦 189
13.2.1 問題描述 189
13.2.2 算法設計 189
13.2.3 算法分析 194
13.3 實驗設置和分析 194
13.3.1 實驗設置 195
13.3.2 實驗分析 197
13.4 本章小結 202
第14章 基于多稀疏輔助域的自適應跨域推薦 203
14.1 問題定義 203
14.2 多稀疏輔助域的自適應跨域推薦 204
14.2.1 問題描述 204
14.2.2 算法設計 204
14.2.3 算法分析 209
14.3 實驗設置和分析 210
14.3.1 實驗設置 210
14.3.2 實驗分析 211
14.4 本章小結 215
參考文獻 216