目錄
序言
第1章 緒論 1
1.1 社交網(wǎng)絡(luò)推薦簡介 1
1.2 社交網(wǎng)絡(luò)推薦技術(shù) 3
1.2.1 社交網(wǎng)絡(luò)推薦技術(shù)簡介 3
1.2.2 基于內(nèi)容的推薦 3
1.2.3 基于協(xié)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(shù)的特點(diǎn) 9
1.3 推薦系統(tǒng)評價指標(biāo) 10
1.3.1 準(zhǔn)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(wǎng)絡(luò)推薦內(nèi)涵及其挑戰(zhàn) 13
1.4.1 社交網(wǎng)絡(luò)推薦內(nèi)涵 13
1.4.2 社交網(wǎng)絡(luò)推薦面臨的挑戰(zhàn) 14
第2章 基于超圖拓?fù)浣Y(jié)構(gòu)的社交網(wǎng)絡(luò)推薦 16
2.1 問題定義 16
2.2 社交網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)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(xiàng)目特征相似度 22
2.3.3 推薦模型訓(xùn)練 23
2.3.4 冷啟動方案 25
2.4 實(shí)驗(yàn)分析 26
2.4.1 實(shí)驗(yàn)設(shè)置 26
2.4.2 實(shí)驗(yàn)結(jié)果 28
2.5 本章小結(jié) 36
第3章 基于核化網(wǎng)絡(luò)的社交網(wǎng)絡(luò)推薦 37
3.1 問題定義 37
3.2 深度學(xué)習(xí)矩陣因子分解模型 38
3.2.1 基于核化網(wǎng)絡(luò)的通用深度學(xué)習(xí)推薦框架 38
3.2.2 核化網(wǎng)絡(luò)處理步驟 39
3.3 基于顯式信息的深度學(xué)習(xí)矩陣分解推薦方法 40
3.3.1 核化網(wǎng)絡(luò) 40
3.3.2 隱式信息挖掘 42
3.4 實(shí)驗(yàn)結(jié)果及分析 44
3.4.1 實(shí)驗(yàn)設(shè)置 44
3.4.2 實(shí)驗(yàn)結(jié)果 46
3.5 本章小結(jié) 51
第4章 基于奇異值分解的隱私保護(hù)推薦 52
4.1 問題定義 52
4.2 隨機(jī)擾動簡介 52
4.2.1 隨機(jī)擾動在推薦中的應(yīng)用 52
4.2.2 隱私保護(hù)推薦的系統(tǒng)結(jié)構(gòu) 53
4.2.3 傳統(tǒng)隨機(jī)化擾動的特點(diǎn) 54
4.3 改進(jìn)的隨機(jī)擾動隱私保護(hù)算法 55
4.3.1 隱私多樣性 55
4.3.2 算法框架和實(shí)現(xiàn) 56
4.3.3 算法性能評估標(biāo)準(zhǔn) 58
4.4 實(shí)驗(yàn)結(jié)果及分析 58
4.4.1 實(shí)驗(yàn)設(shè)置 58
4.4.2 填充比例分析 59
4.4.3 擾動強(qiáng)度分析 59
4.5 本章小結(jié) 63
第5章 基于多級隨機(jī)擾動的隱私保護(hù)推薦 64
5.1 問題定義 64
5.2 相關(guān)工作 64
5.2.1 潛在因子模型 64
5.2.2 隨機(jī)擾動 65
5.2.3 數(shù)據(jù)稀疏填充 66
5.3 基于多級隨機(jī)擾動的隱私保護(hù)推薦方案 66
5.3.1 多級組合隨機(jī)擾動模型 67
5.3.2 偽評分預(yù)測填充算法 69
5.3.3 算法時間復(fù)雜度分析 70
5.4 實(shí)驗(yàn)結(jié)果及分析 70
5.4.1 實(shí)驗(yàn)數(shù)據(jù)集 70
5.4.2 評價標(biāo)準(zhǔn) 71
5.4.3 實(shí)驗(yàn)設(shè)置 71
5.4.4 實(shí)驗(yàn)結(jié)果分析 71
5.5 本章小結(jié) 76
第6章 基于差分隱私的興趣點(diǎn)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(tǒng)模型構(gòu)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(shí)驗(yàn)結(jié)果及分析 89
6.5.1 實(shí)驗(yàn)設(shè)置 89
6.5.2 實(shí)驗(yàn)結(jié)果 90
6.6 本章小結(jié) 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(hù)推薦框架 95
7.2.1 相關(guān)符號及隱私保護(hù)理論 95
7.2.2 系統(tǒng)架構(gòu) 96
7.2.3 攻擊模型及設(shè)計(jì)目標(biāo) 98
7.3 分布式隱私保護(hù)推薦方法 99
7.3.1 用戶端分片算法設(shè)計(jì) 99
7.3.2 分布式推薦服務(wù)器端隱私保護(hù)模型 100
7.3.3 位置服務(wù)器端隱私保護(hù)模型 101
7.3.4 安全性分析 102
7.4 實(shí)驗(yàn)結(jié)果及分析 103
7.4.1 實(shí)驗(yàn)設(shè)置 103
7.4.2 實(shí)驗(yàn)結(jié)果 104
7.5 本章小結(jié) 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(shè)計(jì) 110
8.2.1 并行設(shè)計(jì) 111
8.2.2 模型訓(xùn)練 115
8.2.3 引入差分隱私 117
8.3 實(shí)驗(yàn)分析 119
8.3.1 實(shí)驗(yàn)環(huán)境及數(shù)據(jù) 119
8.3.2 評價指標(biāo) 120
8.3.3 實(shí)驗(yàn)結(jié)果 121
8.4 本章小結(jié) 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(guān)技術(shù) 128
9.3 模型設(shè)計(jì) 128
9.3.1 并行化設(shè)計(jì) 128
9.3.2 模型訓(xùn)練 129
9.3.3 安全性分析 132
9.4 實(shí)驗(yàn)分析 133
9.4.1 實(shí)驗(yàn)環(huán)境及數(shù)據(jù) 133
9.4.2 評價指標(biāo) 134
9.4.3 實(shí)驗(yàn)結(jié)果 134
9.5 本章小結(jié) 137
第10章 基于本地差分隱私的聯(lián)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(guān)數(shù)學(xué)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(hù)用戶敏感數(shù)據(jù)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(fù)雜度及安全性分析 144
10.4 實(shí)驗(yàn)結(jié)果及分析 146
10.4.1 實(shí)驗(yàn)設(shè)置 146
10.4.2 實(shí)驗(yàn)結(jié)果 148
10.5 本章小結(jié) 153
第11章 基于秘密共享的聯(lián)邦推薦 154
11.1 問題定義 154
11.2 基于秘密共享技術(shù)保護(hù)用戶隱私 154
11.2.1 相關(guān)數(shù)學(xué)定義 154
11.2.2 聯(lián)邦矩陣分解方法 155
11.2.3 保護(hù)隱私的聯(lián)邦矩陣分解框架 157
11.2.4 算法流程 158
11.3 融入用戶項(xiàng)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(xiàng)目交互值 160
11.3.3 算法流程 161
11.3.4 復(fù)雜度及安全性分析 162
11.4 實(shí)驗(yàn)結(jié)果及分析 163
11.4.1 實(shí)驗(yàn)設(shè)置 163
11.4.2 實(shí)驗(yàn)結(jié)果 164
11.5 本章小結(jié) 169
第12章 基于遷移學(xué)習(xí)的跨組織聯(lián)邦矩陣分解推薦 170
12.1 問題定義 170
12.2 單方跨組織聯(lián)邦矩陣分解推薦算法 170
12.2.1 相關(guān)數(shù)學(xué)定義 170
12.2.2 基于遷移學(xué)習(xí)的單方跨組織聯(lián)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(lián)邦矩陣分解推薦算法 174
12.3.1 基于遷移學(xué)習(xí)的多方跨組織聯(lián)邦矩陣分解推薦算法 174
12.3.2 算法流程 175
12.4 實(shí)驗(yàn)結(jié)果及分析 176
12.4.1 實(shí)驗(yàn)設(shè)置 177
12.4.2 實(shí)驗(yàn)結(jié)果 179
12.5 本章小結(jié) 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(shè)計(jì) 189
13.2.3 算法分析 194
13.3 實(shí)驗(yàn)設(shè)置和分析 194
13.3.1 實(shí)驗(yàn)設(shè)置 195
13.3.2 實(shí)驗(yàn)分析 197
13.4 本章小結(jié) 202
第14章 基于多稀疏輔助域的自適應(yīng)跨域推薦 203
14.1 問題定義 203
14.2 多稀疏輔助域的自適應(yīng)跨域推薦 204
14.2.1 問題描述 204
14.2.2 算法設(shè)計(jì) 204
14.2.3 算法分析 209
14.3 實(shí)驗(yàn)設(shè)置和分析 210
14.3.1 實(shí)驗(yàn)設(shè)置 210
14.3.2 實(shí)驗(yàn)分析 211
14.4 本章小結(jié) 215
參考文獻(xiàn) 216