基于隐私保护的个性化推荐系统的研究与实现

论文摘要

互联网的迅速发展引发了当今的信息过载问题,个性化内容推荐系统试图为用户提供信息推荐服务和垃圾信息过滤服务,以便解决这一问题。传统的内容推荐系统对用户的页面访问记录进行数据挖掘,找出用户的访问习惯,然后在服务器端根据用户需求进行信息过滤。本文提出了一种新的基于代理的个性化推荐系统CRESDUP(Content REcommendation System based on private Dynamic UserProfile),在保护用户隐私的同时,为用户提供更准确的内容推荐服务。该系统在客户端收集并挖掘用户的私有信息,然后生成、存储并更新用户兴趣配置文件,根据用户兴趣配置文件从内容服务器中获取用户感兴趣的信息。这项技术的一个重要应用就是嵌于RSS阅读器中的个性化广告系统。由于所有的用户私有信息相关的操作都在客户端执行,用户隐私会得到完全的保护。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景
• 1.2 国内外研究现状
• 1.3 研究意义和研究内容
• 1.3.1 研究意义
• 1.3.2 研究内容
• 1.4 本文组织架构
• 第二章 个性化推荐系统及相关技术概述
• 2.1 个性化推荐系统的概念
• 2.2 个性化推荐系统的目标
• 2.3 个性化推荐技术的实现
• 2.3.1 亚马逊Amazon.com
• 2.3.2 潘朵拉Pandora.com
• 2.3.3 MovieFinder.com
• 2.3.4 Drugstore.com
• 2.3.5 易趣eBay
• 2.3.6 GroupLens
• 2.3.7 推荐形式总结
• 2.4 个性化推荐系统的架构
• 2.4.1 输入模块
• 2.4.2 推荐模块
• 2.4.3 输出模块
• 2.5 基于不同体系结构的个性化推荐系统
• 2.5.1 基于服务器端的推荐系统
• 2.5.2 基于客户端的推荐系统
• 2.5.3 基于代理（Agent）的推荐系统
• 2.6 增加隐私保护的个性化服务
• 2.7 内容推送服务和反垃圾信息技术
• 第三章 保护隐私的用户兴趣建模机制
• 3.1 用户兴趣建模的概念
• 3.2 用户信息分类和收集方式
• 3.2.1 用户信息分类
• 3.2.2 用户信息收集方式
• 3.2.3 信息收集的位置
• 3.3 个性化推荐系统中资源描述
• 3.3.1 基于内容的方法
• 3.3.2 基于分类的方法
• 3.3.3 基于概念分类体系的表示
• 3.4 用户兴趣特征的表示
• 3.5 用户模型的更新
• 3.6 保护隐私的用户兴趣模型
• 第四章 基于隐私保护的个性化推荐系统——CRESDUP
• 4.1 CRESDUP系统的体系架构
• 4.1.1 用户信息收集代理
• 4.1.2 用户兴趣分析代理
• 4.1.3 内容推荐服务器
• 4.1.4 内容推荐客户端代理
• 4.2 CRESDUP的工作流程
• 第五章 实验设计与结果分析
• 5.1 系统应用场景介绍
• 5.2 评价标准
• 5.2.1 响应时间
• 5.2.2 推荐效率
• 5.3 实验结果及其分析
• 第六章 结论与展望
• 6.1 本文工作与特色
• 6.2 未来工作展望
• 参考文献
• 后记