基于隐私保护的社交网络用户推荐系统

摘要

随着移动社交网络的快速发展，基于GPS位置的服务给人们的生活带来了很多的乐趣与便捷。然而在享受LBS便捷服务的同时，用户的位置隐私保护也面临越来越大的考验，如何保护位置隐私成为了研究的热门话题。
　　本文研究了现有位置隐私保护算法的特点和不足，在k-匿名算法和泛化法的基础上提出了基于位置坐标均值的隐匿算法。算法取用真实位置均值坐标生成隐匿区域，并把整个区域作为用户的位置发送给应用服务器；应用服务器通过计算隐匿区域的圆心生成推荐区域，并且根据推荐区域的商家信息为用户提供推荐服务。这种算法在隐私保护度、匿名成本、匿名时间等性能上有很大的优势，而且在给用户提供优质位置隐私保护的同时不影响推荐效果。
　　应用服务端在提供服务时获取了大量的用户位置信息，对这些用户基本信息和用户历史记录加以利用，能够给用户提供基于位置的个性化推荐。本文通过爬取大众点评的商家数据，通过逻辑回归算法对数据模型训练获得模型结果。根据用户当前位置求取区域范围内的商家信息，利用逻辑回归和协同过滤算法，成功实现了基于位置隐私保护的个性化商家推荐系统，并且实现的系统在推荐准确率上很有优势。
　　互联网数据呈现爆炸式增长，解决信息超载问题成为一大难题，传统处理大数据方法优势显得越来越弱，因此本文采用处理数据效率更高的大数据集群运算框架Spark实现，通过机器学习库Spark MLlib完成了基于隐私保护的推荐系统设计。

目录

声明

1 绪论

1.1 研究背景与意义

1.2 国内外研究现状

1.3 研究内容及创新点

1.4 内容组织

1.5 本章小结

2 基本理论与相关技术

2.1 大数据框架技术

2.2 位置隐私保护算法

2.3 传统的推荐系统技术

2.4 本章小结

3 基于用户坐标均值的隐私保护算法

3.1 引言

3.2 位置隐匿算法

3.3 服务器框架

3.4 基于坐标均值隐匿算法描述

3.5 本章小结

4 基于用户位置的推荐系统

4.1 逻辑回归算法在推荐系统中的应用

4.2 数据预处理

4.3 模型训练

4.4 本章小结

5 实验结果分析

5.1 基于位置坐标均值隐匿算法

5.2 基于位置的推荐系统

5.3 本章小结

结论

参考文献

致谢

攻读学位期间发表的相关学术论文及研究成果