目录
第一章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.3 论文的主要研究内容
1.4 论文结构
第二章 基础知识
2.1 推荐系统
2.2.1 推荐系统概述
2.2.2 协同过滤推荐算法
2.2.3 协同过滤算法的相关问题
2.3 差分隐私
2.4 本章小结
第三章 基于差分隐私保护的协同过滤推荐系统
3.1 对于推荐系统的攻击方式
第一章 绪论
1.1 研究背景及意义
当今社会，互联网与移动互联网的普及与发展十分迅速，各类网络应用与移动App已经融入到了人们日常工作和生活的各个方面，比如即时通讯、社交网络、电子商务与电子支付等，人们的日常工作与生活已经离不开移动互联网。在互联网化趋势下，各个行业数据量呈爆炸式增长，人们逐渐从信息匮乏的时代走入了信息过载的时代。在2011年，IDC的研究报告中显示，全球信息总量每过两年，就会增长一倍。而调查显示，这一增速仍在持续加快。10年前，该机构预测2020年全世界的数据量将达40ZB。而中国信息通信研究院2020年12月发布的大数据白皮书（2020年）（http://www.caict.ac.cn/kxyj/qwfb/bps/202012/t20201229_367255.htm）中指出，根据国际权威机构Statista的统计和预测，2020年全球数据产生量预计达到47ZB，比十年前的预测有一个重量级的增长。2018年11月IDC白皮书《DataAge2025》的预测表示，这一数字将在2025年来到175ZB。这使得人们在获取丰富多彩的信息内容的同时，沉浸于信息海洋而难以及时、准确地获得满足其自身需要的信息。
信息过载的主要解决方法有两种：一是搜索，二是推荐。搜索是一种良好的解决方案，但搜索引擎解决的只是人们主动搜索数据的请求，而且需要人们对自己的需求有明确的认识，但是人们通常没有办法十分准确地描述出自己的需求和喜好，因此搜索没有办法满足人们日益增长的对个性化信息的需求。在这个背景下，推荐应运而生。凭借可以主动提供符合用户需求的信息这一优点，应用推荐算法的推荐系统已经被大量运用到各行各业中，成为了互联网中不可或缺的一个环节。我们平时在各个购物网站、新闻网站和影音网站都可以见到推荐系统的身影，比如淘宝、今日头条和Netflix，这些公司的APP都会根据用户的兴趣来进行推送。
图1 手机淘宝的推荐页
