面向隐私保护的社交媒体用户基本信息曝露研究——以“脸书网”为例

摘要

互联网的变化愈发深刻地影响着用户的社会交往行为，用户在享受互联网产品为我们的生活带来极大便利时，用户的个人信息曝露在互联网上的几率大大增加;服务应用软件，即时通讯工具，网站之间的信息关联与共享，使得用户的个人隐私在不可避免的情况下，主动，被动，有意，无意的曝露在互联网上;社交媒体的好友性，使得用户愿意将自己的个人信息曝露在互联网中。因此，解决用户隐私泄露问题迫在眉睫。
　　本文旨在帮助社交媒体用户打破用户与社交媒体之间的信息不对称问题，从专业化视角帮助用户判断其曝露的信息可能产生的危险性;帮助用户在今后使用社交媒体的过程中防止个人隐私泄露;帮助运营商更好的规避用户信息泄露问题，从而保障用户更长久的使用社交媒体网站。
　　本文采用机器学习方法中监督式学习方式中的分类算法，用实验数据中的测试集和验证集。构建并检验SVM分类器、Logistics回归分类器、KNN算法分类器，用测试集验证三种分类器的分类效果。Logistic回归分类器效果优于其它两种分类器，最终选用Logistic回归分类器作为用户基本信息危险性分类模型。最后，从用户和社交媒体运营者两个方面提出了模型的应用方法。即从用户的角度，用户要在使用用户基本信息危险性分类模型的过程中中形成正确的信息安全观、对信息泄露可能性形成合理预期;从运营商的角度，要在模型基础上开发插件，利用警示信息对用户行为进行指引，同时对已录入数据库的信息加强管理，提高用户信息数据的安全水平。

目录

声明

摘要

第一章 绪论

1．1 研究背景与问题提出

1．2．1 研究目的

1．2．2 研究意义

1．3 研究内容与方法

1．3．1 研究内容

1．3．2 研究框架

1．3．3 研究方法

1．3．4 研究创新点及难点

第二章 相关文献回顾与基本理论概述

2．1 相关文献回顾

2．1．1 以社交媒体用户隐私泄露为研究对象的相关研究

2．1．2 数据科学在用户隐私保护领域的应用成果

2．1．3 警示信息对用户决策的影响现阶段研究成果

2．2 基本理论概述

第三章 用户基本信息危险性分类模型研究设计

3．1 用户基本信息危险性分类模型研究设计思路

3．1．1 研究对象的选择

3．1．2 用户基本信息危险性分类模型变量选取

3．2 用户基本信息危险性分类模型研究方法

3．2．1 支持向量机

3．2．2 Logistic回归

3．2．3 K邻近相关算法

3．3 数据集的形成

3．3．1 用户基本信息危险性分类模型数据获取

3．3．2 用户基本信息危险性分类模型数据预处理阶段

3．4 用户基本信息危险性分类模型数据分析工具

3．5 用户基本信息危险性分类模型构建

3．5．1 支持向量机(SVM)分类模型构建过程

3．5．2 Logistic回归分类模型构建过程

3．5．3 KNN算法分类模型构建过程

3．5．4 构建用户基本信息危险性分类对照模型构建

3．6 用户基本信息危险性分类模型评价方法

第四章 用户基本信息危险性分类模型实验结果与分析

4．1 用户基本信息危险性分类模型数据集描述性统计分析

4．2 用户基本信息危险性分类模型实验结果

4．2．1 SVM分类模型实验结果

4．2．2 Logistic回归分类模型实验结果

4．2．3 KNN算法分类模型实验结果

4．2．4 用户基本信息危险陛分类模型对照组实验结果

4．2．5 用户基本信息危险性分类模型实验结果分析

4．3 用户基本信息危险性分类模型测试集检验

4．4 本章小节

第五章 用户基本信息危险性分类模型的应用

5．1 用户基本信息危险性分类模型在社交媒体用户方面的应用

5．2 用户基本信息危险性分类模型在社交媒体运营者方面的应用

第六章 结论与展望

6．1 研究结论

6．2 研究局限与展望

参考文献

致谢

附录

个人简历