文摘

现有的移动个性化服务(MPS)给小考虑用户的隐私。为了解决这个问题和其他一些缺点,本文提出了一个议员推荐模型基于情感分析的项目推荐和隐私问题。首先,提出了基于情绪词汇本体的情感分析算法,然后集群用户基于情绪倾向。其次,提出了一种测量算法,集成了人格特质与隐私偏好强度,然后集群用户基于人格特质。第三,本文实现了一种混合协同过滤推荐通过结合情绪分析与隐私问题。实验表明,该模型可以有效地解决这一问题的议员数据稀疏和冷启动。更重要的是,主观隐私关注和客观的推荐技术的结合可以减少用户的隐私问题的影响在接受国会议员。

1。介绍

个性化推荐技术的不断发展,移动商务的广泛使用,移动推荐系统出现1,2]。它为用户提供了精确和实时移动个性化服务(以下简称议员)[3,4]。同时,用户从在线平台微博和Twitter等产生大量的内容(UGC)。平台已经成为用户的主要方式来表达他们的感受和分享信息。因此,越来越多的在线评论的在线购买和交易服务出现5]。严特和胆量6)表示,在线用户对产品和服务的意见包含用户的情感倾向。移动用户的个性化推荐系统可以挖掘隐含的利益在网上评论,完全可以提供用户的喜好和情绪极性属性、功能、和产品和服务的经验7]。由于日志信息存储形式的行为,跟踪,在网络和交易数据,需要意见挖掘技术提取和分析用户的情绪倾向和业务知识隐藏在评论,吸引了大量移动商务服务提供商的注意力(8,9]。因此,它是一个热门话题提取用户的情绪倾向和内隐偏好信息文本意见挖掘的基础上协助个性化推荐系统和提供高质量的移动个性化服务。

彭日成和李10]定义意见挖掘的过程分析、处理、总结和推理主观文本与情绪。然而,一些用户的隐私信息,如位置和喜好,往往是通过在线评论挖掘暴露。隐私泄露的议员是一个大问题,危及用户的私人生活11]。用户隐私意识和关注隐私披露的风险逐渐增加(12]。尽管许多商业网站实施在线隐私政策机制,存在的问题如下:(1)议员提供者单方面设置隐私政策但忽视个人的隐私偏好。用户只给两个选择,要么拒绝使用服务或被动地接受所有隐私政策为了获得服务。他们不能主观地选择隐私信息的披露类型(13]。(2)一些研究开始使用移动用户的历史偏好数据和隐私保护技术来提高推荐的质量。然而,他们忽略了信息用户的情绪倾向和性格特征14),因此减少推荐精度。传统的研究表明,个体的人格特征有重要影响用户如何网上购物,他们的心理偏好,和隐私意识(15]。因此,如何整合信息,比如情绪倾向,隐私问题,和人格特质,议员是一个在这个领域的研究难题。

总结,分析影响因素的隐私问题和在线评论,提出移动基于情感分析的个性化服务推荐系统模型和隐私问题。首先,它研究情绪分析方法的意见目标和量化的情绪倾向意见挖掘技术。其次,它集成了情绪的定量影响推荐机制。第三,它提出了一个测量人格特质与隐私偏好集成方法,挖掘人格特质,隐私偏好,用户偏好获取有相似兴趣的用户组。最后,一种新颖的混合协同过滤推荐方法结合情绪倾向和用户的个性特征提出了实现议员。

本文组织如下。在引言部分,本文第二部分讨论相关工作。在第三部分,它提出了一个移动基于情感分析的个性化服务推荐系统模型和隐私问题。在第四部分,评估该模型的性能,最后在第五部分,本文总结与未来工作。

2。相关工作

2.1。情绪分析基于意见挖掘

评论的情感分析移动商务平台包括提取、分类、检索和诱导情绪信息(10]。有机器学习和基于知识的方法。后者为情绪分析使用情感词典和语法规则。胡和刘16)提出了一个新颖的观点分析方法强调评价的产品功能使用传统情绪词库。上下文信息和情绪,这种方法综合评价预测产品的情感极性,提高预测精度。王等人。17]分析了本体的特征和中国的在线评论和提出了一个基于情绪词汇本体构建的文本挖掘模型匹配目标的意见。这个模型把注意力吸引到移动商务企业。同样,Somprasertsri和Lalitrojwong [18]分析了大宗商品的依赖的情绪倾向和观点基于本体模型。该方法综合语法与语义信息量化情感价值,伟大的商业应用价值。马等。19]构造语法规则采用名词修剪和频率过滤技术来提取审查语料库。然后,他们使用语法规则来计算每个句子的情感倾向和煮了四种情绪类型。

情绪基于机器学习的采矿方法,这是非常不同于知识,需要更多的训练时间,模型太复杂(20.]。因此,心肌梗死等人采矿方法改进了传统的情绪和建立一个文本情绪意见挖掘模型的基础上,二进制语言模型和灰色理论来达到质量sentiment-oriented矿业(21]。此外,考虑到机器学习方法的复杂性,Somprasertsri和Lalitrojwong22]提取商品特性根据最大熵和离线训练模型使用corpus-tagged库。最后,他们提取产品特性的在线意见通过使用传统的辅助商品信息。模型减少了学习时间,取得了良好的贸然预断的结果。

2.2。基于情感分析的移动个性化服务推荐

一些研究者发现类似的音乐偏好可以通过分析情绪匹配特性。一方面,杨et al。23)关注用户的情绪特征共同音乐利益在计算用户的相似度。同样,郭et al。24]发现情绪特征在不同的用户通过分析功能的主题音乐音乐电影和建立用户兴趣模型基于情绪倾向,实现准确的建议。另一方面,Cai et al。25]提出了跨领域推荐来预测用户的情绪倾向在音乐方面通过分析意见实时微博。汉et al。26)提出了一个上下文感知的音乐推荐系统。他们基于本体语言建模和分类用户的情绪和解决建议的问题数据与上下文通过稀疏非负矩阵分解技术。此外,Mudambi和Schuff [27综合分析的在线评论与偏好挖掘用户的行为。他们可以得到更好的推荐结果通过分析用户的情绪倾向好的意见。

协同过滤推荐的观点挖掘的研究也成为热点。传统的协同过滤推荐方法依赖于矩阵的“评述汇总”来计算用户相似性或项目相似。但是,它涵盖了信息有限,往往会导致用户兴趣偏好由于环境等很多因素。她和陈28]介绍了情感分析方法基于主题模型的协同过滤推荐,这增加了使用富文本审查信息的准确性。Winoto和唐29日]研究情绪分析的电影推荐系统。他们发现用户组类似的利益通过情绪倾向积极提交用户,然后提出了一种sentiment-aware协同过滤方法。施等。30.)提出了一种基于矩阵分解的方法在计算电影相似的基础上的情绪。他们综合情绪分析结果在协同过滤推荐的过程中,收集用户的评分数据IMDB的三个阶段,即前一部电影,在看电影,在电影。然后,该方法利用用户的情绪评论发布在Twitter上提高协同过滤算法的推荐和准确预测票房。

2.3。移动个性化服务推荐基于隐私问题

“隐私”一词是用来测量消费者的变化,感知和控制信息的隐私(31日]。Culnan和阿姆斯特朗32)声称,移动互联网活动通常涉及个人隐私的信息,如支付信息,运动,和地理位置。获得用户的个人信息对议员们的生存和发展是至关重要的提供者(31日],它可以用来准确地推荐用户的信息,来刺激他们的连续接受服务的满足他们的需求。因此,他们的满意度和忠诚度提高(33,34]。然而,隐私泄露的问题越来越严重,越来越多的研究人员提出的新方法来解决隐私问题(35]。例如,有些人使用数据加密和匿名保护移动个性化服务来生成推荐内容减少变化让人们的隐私。李和Sarkar36]研究个人隐私政策机制基于集群隐私问题和分析问题的过程中基于用户的协同过滤推荐。他们提出了一种新颖的方法加密和匿名的个人隐私信息保护用户隐私。McSherry说,米罗诺夫37)把微分隐私技术协同过滤推荐系统。他们进行微分隐私item-to-item协方差矩阵的过程。通过实验学习和预测阶段,他们发现,在推荐系统中引入微分隐私保护技术和高精度是可行的。Duckham和Kulik38)提出了一种基于噪声模型的位置隐私保护模型加密移动环境下的国会议员。

一些学者从主观的角度研究隐私问题和策略的用户。王,段(39)合成的影响从个人和系统在线用户的隐私因素量化这些因素。然后,他们设计了一个基于通用隐私量化模型向量用户感知的从主观的角度来看。同样,Sutanto et al。40)广告应用个性化移动为例,设计了一个技术解决方案称为个性化,Privacy-Safe应用,试图解决个性化和隐私之间的悖论。通过田间试验验证了该方法。Chellappa和Shivendu41基于经济学]设计用户的隐私保护模型。他们计算出用户的效用和方便用户的使用重的成本没有议员服务和被服务提供者监督。此外,Korzaan和鲍斯威尔(42]研究了五个人格特质的影响,包括外向性、宜人性、责任心,神经质,对消费者隐私和开放性,发现宜人性对隐私问题产生影响。根据Junglas Spitzmuller [43)、开放性和宜人性对隐私问题带来负面的影响,和不同性格的人有不同的心理倾向的隐私问题。崔和崔44)还表明,隐私问题是不同的用户具有不同特点,从而影响他们的行为。例如,开放的人更愿意体验和接受国会议员。

3所示。基于情感分析的移动个性化服务推荐系统模型和隐私问题

因为大多数情绪分析算法过于依赖数据的大小目前,很难满足快速响应用户需求的议员。因此,本文采用基于情感词典的文本分析方法。但传统的方法效果不佳情绪分析,这是不包括在情绪词典。因此,我们的模型提出了一种基于情绪词汇本体的情感分析算法准确地获取用户的利益。首先,用户提供类似的情绪倾向或隐私偏好可能有相同的兴趣偏好13,15]。其次,关键的一步是找到用户也有类似的特征与目标用户的协同过滤推荐方法(45]。本文使用“user-sentiment”找到向量矩阵用户有类似的情感倾向。考虑到用户的隐私偏好的差异(13),本文介绍了“人格特质结合隐私偏好的概念。它使用“user-personality特征向量矩阵找到最相似的用户隐私偏好相似。第三,如图1基于情绪分析,我们的模型提供了建议和隐私问题。

3.1。基于情绪词汇本体的情感倾向分析算法

3.1.1。构建情绪词汇本体库

用户通常给“积极的”或“负面”意见在线服务。首先,用户表达意见说“服务质量很好,物有所值”后电力业务事务。其次,用户使用包含情感极性来描述情绪情感词,如“这个购物体验非常快乐,我喜欢它。”第三,认为“我今天不是很开心”展示了一个“负面”的情感倾向。然而,“我很快乐”的意见显示“活跃”的情感倾向。上面的例子表明,消极词汇可以使情绪情感极性相反。转折词短语和过度的程度副词也将改变用户的情感倾向,如“手机很酷,但华丽”和“手机键太小了。“因此,这部分构造三个词汇本体库的评论,情感,和在线反演不同描述的意见。最后,本文总结了用户的情绪倾向负面的,积极的,和中立议员。的负面被细分为恶,愤怒,恐惧,悲伤。积极的是分为好的和快乐。中性是惊喜。

(1)建筑评论词汇本体库。用户直接使用注释来表达他们对商品和服务的偏好。它们反映了用户的满意或不满意的态度。意见挖掘方法计算情绪类型根据评论。考虑到不一致和非标准的使用用户的评论在互联网上,提出词汇设置基于本体和使用三重发表评论描述情绪变换。的意味着原词的基本信息。的意味着同义关系。的是情绪的two-tuple类型和隶属度。

(2)构建情感词汇本体库。用户使用情感词为商品或服务直接表达自己的情感。它们反映了用户的“喜欢”或“不喜欢”的态度。意见挖掘方法计算情绪类型根据情感词。考虑到情感词汇的差异分类,本文研究八种情感表达在社会关系46和十二种汉语词汇分类47]。在此基础上,我们选择七种情感类型,是快乐的,好,愤怒,悲伤,恐惧,邪恶,和惊喜。然后,我们使用相似性算法量化情绪的价值倾向。

(3)建立反演词汇本体库。本文补充了情绪词汇本体DUITR[图书馆48),收集逃脱的话来构造反演词汇本体库,包括过度程度副词,转折词和消极词汇。但它不考虑一般的修饰符。考虑中国的复杂性,本文计算之间的距离长度在一个声明中情绪和反转的话(范围(−4 + 4))来调整情感词的极性。

3.1.2。情感倾向分析算法

基于情绪词汇本体的情感倾向分析算法(斯塔斯)(算法1)观点语句分为双字基于条件随机域(crf) [49和领域本体。然后,斯塔斯提取物对舆论的目标基于控模型,包括舆论的目标,意见词,短语进行情感倾向分析,提高挖掘效率的意见。

定义1。情绪词汇库 ; 是情绪词, 。

定义2。意见的文本设置 ; 意见的文本, 。 ; 特征项吗 , 。

定义3。情绪文本设置是包含情绪词的文本集合;是情绪的文本, 。

看来目标的识别可以被视为一个序列标签的问题。它的标签序列基于CRF模型的意见全集。输入一个字串并定义观察序列,输出一个标签序列概率最高的 ,然后定义了观察序列。的连锁条件概率分布下列公式所示: 在哪里转移特征函数的位置吗来 , 国家特征函数的位置吗 , 和重量值在训练的过程中,是传送规范因素 。CRF模型使用维特比找到一个标签序列命名方法获得的最大 ,培训时使用了基于最大似然的迭代算法。

到最后,我们计算出情绪倾向判断用户的普遍偏好的商品或者服务通过使用情绪词汇知识本体库。斯塔斯的算法如下所示。

3.2。测量方法的人格特质与隐私偏好集成

3.2.1之上。测量用户的隐私偏好

社交网络网站通常使用隐私设置,如“如何找到我”(邮件或电话),“谁允许评论我”(只有球迷,只有我在乎的人),“推荐的朋友在你手机的通讯录”,“谁可以给我私信”(只有球迷,只有我在乎的人),“谁允许@我”(只有我在乎的人,所有),“与其他账户绑定,”“谁可以得到我的位置”(只有球迷,只有我在乎的人),等等。亨森et al。52)发现用户的积极人格特质与他们的隐私行为密切相关。移动用户的活跃在社交网络可以用数字描述的博客,上传照片,并给出意见。它也有显著相关性,“谁允许评论我”(),“谁可以给我私信”(),“谁可以得到我的位置”()。因此,本文选择上述三个项目作为一个测量指标的隐私偏好。本文以新浪微博为例,使用多元线性回归模型和(3)计算强度的隐私偏好。如下所示的三个评价指标,制定半年的时间:(1)“可以评论我的人”(),(2)“谁可以给我私信”(),(3)“谁可以得到我的位置”()。用户的隐私偏好向量命名为“”:

可以由以下公式来量化显示隐私偏好强度的值:

的概率值 , ,和分别可以是0或1,意为“允许”或“不允许的。的测量意味着特定偏好加权值移动用户的隐私设置。较低的值属于低意识的群体隐私担忧,而相反的是高的集团意识。

3.2.2。测量用户的个性特征

传统的用户的个性特征通常与离散值量化,但产量不理想效果。本文采用大五人格问卷和用户的自我报告分数获得连续的性格特征数据。Selfhout et al。53)发现,并不是所有的五个维度的“五大个性特征”可能会影响用户的行为和社会关系的网络。因此,我们选择开放,外向性和宜人性为研究对象和量化的性格特征基于多元线性回归模型。这个模型选择15个独立变量,这是朋友,游客,博客、照片、相册,直接消息,意见,意见的转发数量,照片,热门话题,视频,音乐,等等。该模型提取400用户的行为性格问卷调查数据作为样本集,网络爬虫工具,并描述他们在社交网络行为数据:

其中,向量被定义为用户的个性特征,是开放的分数计算的朋友吗 ,转发热门话题 ,评论 ,和上传照片 。 是负责任的分数。是外向的分数计算的朋友吗 ,博客发表 ,和评论 。 的和蔼可亲的分数计算的朋友吗 ,转发热门话题 ,评论 ,和上传照片 。 是神经系统的分数。本文通过量化计算人格特质的价值偏好 。因此,用户的个性特征的计算方法集成到隐私偏好(PTPP)如下所示: 在哪里 ,和 , , ,和分别计算了多元线性回归模型。

3.3。基于情感分析的混合协同过滤推荐方法和隐私问题

3.3.1。基于情感分析的用户相似度计算

我们改变“用户服务”偏好矩阵的评分矩阵的“user-sentiment”来计算用户的相似度。偏好矩阵的构造的定义为“user-sentiment”依赖于得分矩阵的“用户服务”和“service-sentiment的相关矩阵。“每个低是情绪偏好向量: 。 用户首选项的值是为特定的情绪 。

3.3.2。用户相似性计算基于人格特质与隐私偏好集成

本文运用矩阵的“user-personality特征”构建用户组相似的目标用户 。项目得分计算PTPP的测量方法。每一项得分分数加权值计算的“开放”,“宜人性”,和“外向性、隐私偏好。“每一行是得分向量的人格特质与隐私偏好集成,本文全面量化在人格特质在四维空间的综合量化,计算用户之间的相似性。

3.3.3。协同过滤推荐方法结合用户的情绪与人格特质倾向

SP-HCFR的核心是混合动力的计算用户的相似度加权根据计算算法2和计算算法3。

4所示。绩效评估

4.1。实验数据和评价标准

以下4.4.1。实际应用的数据集

首先,我们标签文本语料库意见和选择的意见组比赛,包括意见单词和舆论的目标。实验获取800意见从微博语料库,整理500用户,305意见目标,541意见的话,two-tuple意见416部队的情绪。本文使用<意见目标,意见词>由专家意见单元标记构建这些情绪。其次,我们使用情绪看来单位作为测试数据集,每个单元划分为不同情绪类型用人工方法。然后,斯塔斯使用这些人工结果作为对比标准。在此基础上,我们获得真正的推荐数据集有500用户,7情绪类型,800分的记录,305项。

4.1.2。推荐的标准数据集

它选择Moviepilot-mp。情绪,其中包含的信息用户,电影、情绪类型、位置、意见的时间,等等。它把Moviepilot-mp。情绪在训练数据集和测试数据集,训练数据集包括4544409分记录,由105137年的25058用户得分16岁以下电影情绪类型。测试数据集包括19506得分记录,由160年的3396用户得分16岁以下电影情绪类型。采用五个标志作为一个步长当用户给的分数在0 - 100的范围。推荐表中列出的数据集1。

4.1.3。评价标准的实验

它使用精确率 ,召回率 ,和F测量斯塔斯的影响分析:

它使用意味着平均精度(MAP)的有效分析SP-HCFR(算法4)。地图上那种最高精度的措施N。地图越高,推荐的准确性就越高。

4.2。实验结果的斯塔斯

为了验证优越性,斯塔斯比赛416年two-tuple <情绪看来单元、情绪类型>本体的情绪词汇库,包括评论词的本体库,情感词,并逆转的话。本文使用斯塔斯法官情绪类型的单元的测试数据集每一项法律意见。斯塔斯实验结果与人工标记的标准,如表所示2。

可以看出,斯塔斯的速度精度高,回忆,和F1七种情绪类型分类的情绪。它还表明,斯塔斯可以获得准确的用户首选项。与此同时,它将文本语料库分为几个人气意见单位,是开采作为二元数组<情绪看来单元、情绪类型>情感分析的更准确的预测。实验结果还表明,三种情绪词汇本体库比评论更准确的情绪分析词汇。斯塔斯可以弥补这些问题,如不同的情绪,情绪相似,偏差和错误的情绪判断。

来验证基于评论情感分析词的影响,情感词,和反转的话,本文四个实验,分别通过选择评论的话,情感词,和反转的话,通过选择评论文字和反转的话,通过选择情感词和反转的话,通过选择情感词。比较整体情绪分析通过精密的索引速度,召回率,和F1。实验结果如表所示3。

可以看出,四种文字对情绪有显著影响的分析和改善议员的用户首选项的计算精度。因此,斯塔斯可以语义表达的关系复杂的舆论本体的目标。它还改进了传统的观点挖掘的效率,结合多源信息。

4.3。实验结果的PTPP

本文采用逐步多元线性回归模型(SMLRM)来衡量PTPP。它选择变量的SMLRMF-概率小于0.05。PTPP保持变量显著水平最高的系数,消除了非显著的变量,和获得的最终重要的回归方程系数通过几次的选择和淘汰。

4.3.1。量化开放性维度的人格特质

本文发现在表的结果4通过SMLRM因变量(开放性)和自变量的线性回归关系,如评论的数量(回归系数是−0.007),朋友(回归系数为0.126),上传照片(回归系数为0.595),转发热门话题(回归系数是0.088)。同时,开放积极的线性关系和朋友的数量,上传照片和转发热门话题。上传照片的数量产生影响最大的开放性。综合相关系数 ,相关系数和决定 。这意味着回归模型在开放性维度与这些因素正相关,符合测试数据集。

回归方程:

4.3.2。量化外向性维度的人格特质

它发现在表的结果5通过SMLRM因变量(外向性)与自变量的线性回归关系,如朋友的数量(回归系数为0.105),上传照片(回归系数为0.877),和博客(回归系数是0.126)。同时,外向性有积极的线性关系的朋友,上传照片,和博客。综合相关系数 ,相关系数和决定 。这意味着回归模型在外向性维度与这些因素正相关,并具有良好的拟合程度的测试数据集。

回归方程:

4.3.3。量化宜人性维度的人格特质

它发现在表的结果6通过SMLRM因变量(一致)与自变量的线性回归关系,如朋友的数量(回归系数为0.146),转发热门话题(回归系数为0.088),评论(回归系数−0.009),上传照片(回归系数是1.162)。同时,随和性有积极的线性关系的朋友,转发热门话题,评论、上传的照片。最后,综合相关系数 ,相关系数和决定 。这意味着回归模型在宜人性维度与这些因素正相关,符合测试数据集。

回归方程:

4.3.4。量化的隐私偏好维度的人格特质

给这个维度中得分较低的人更愿意忽略隐私和安全,股票对他人隐私。他或她不关心他或她的位置标记和社会网络信息但开始关心隐私设置。相反,他或她更愿意保护他或她的隐私,拒绝新服务,倾向于保护他或她自己的自主权。本文发现在表的结果7通过SMLRM因变量(隐私偏好)线性回归与独立变量之间的关系,如“谁可以评论我”(回归系数是0.821−)”,谁可以给我私信”(回归系数−0.139)和“谁可以得到我的位置”(回归系数是−0.137)。这三个因素的回归系数小于0,这意味着隐私偏好负相关的三个因素,和“谁可以给我私信”最强大的对用户的隐私偏好的影响。最后,综合相关系数 ,相关系数和决定 。这意味着隐私偏好维度的回归模型与这些因素正相关,符合测试数据集。

回归方程:

从实验结果,它表明,人格特质与隐私偏好、开放性、外向性和宜人性可以更好地反映和量化移动用户的在线行为。PTPP获得更准确和客观的分数的人格特征,改善计算用户相似度的准确性后续协同过滤推荐。

4.4。实验结果的SP-HCFR

4.1.1。混合的基于用户的协同过滤方法的比较相似的影响下不同

不同的价值观 ,这是设置为 ,意味着不同的体重影响情绪特征和隐私关注的合作建议。SP-HCFR结合用户协同过滤算法的方法基于人格特质(PP-UCF,)与用户的方法基于情感分析的协同过滤算法(SA-UCF,)。这篇文章有一些比较实验的影响权重系数 。结果的评价指标所示 , , ,和并在表中列出8和9。的和将和 。首先,一些实验结果表明SP-HCFR精度比其他人更高,它时达到最高的精度 。其次,的价值与分类精度的非线性关系。第三,结果表明SP-HCFR可以获得更多的准确性相似的用户通过使用用户相似性计算的结合也提高了推荐精度。

10/24/11。不同的集体过滤算法的性能比较

为了分析隐私偏好的影响,人格特质,议员和情绪特征,本文做一些不同算法之间的比较。结果如图所示2。首先,SP-HCFR之前,传统的基于用户的协同过滤算法(佛罗里达)的索引 , 而体重的重要性 。其次,虽然实际得分数据稀疏,SP-HCFR解决这个问题通过使用信息的隐私偏好和情绪特征的计算用户相似性。第三,结果表明,它具有重要意义介绍隐私担忧,人格特质,在推荐和情感特征。

本文的性能对比基于人格特质的协同过滤推荐方法结合隐私问题(PP-UCF)和基于情感分析的协同过滤推荐方法(SA-UCF)和佛罗里达, 。结果如图所示3。首先,SA-UCF没有考虑隐私偏好的影响用户的利益,不能显著提高推荐的准确性。其次,PP-UCF的推荐质量有更大的影响力,这意味着隐私关注比感情更重要的特点获得精准用户的利益。第三,比UCF PP-UCF和SA-UCF都有更好的表现。它还表明,使用信息的隐私偏好和情绪特征的计算用户相似性可以解决数据稀疏和冷启动的问题。

5。结论和未来的工作

广泛使用的移动商务的议员,在保护用户的隐私问题,获取用户的兴趣与复杂的情绪是杰出的。小说个性化推荐技术应该提出解决隐私问题和情绪分析。因此,本文提出了一种新颖的基于主观隐私偏好和客观的推荐模型推荐技术。的主要贡献如下:(1)因为它可以更好地满足用户的偏好通过学习复杂的情绪,提出斯塔斯和我感情偏好,有效地解决了数据稀疏问题和冷启动,并提高用户利益的准确性。(2)用户的兴趣是与人共同隐私关注和人格特质。因此,本文提出PTPP获取类似的用户。(3)本文以充分利用上述两个贡献的两大优点,提出了一种新颖的基于情感分析的混合协同过滤推荐方法保护用户的隐私和隐私关注和给国会议员。

后续研究可以利用数据挖掘的方法来获取用户的动态隐私利益。视角的同时,隐私保护的重要性,我们将准时个性化推荐服务的研究通过控制程度的用户隐私披露,隐私问题的强度,等等。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项研究受到了浙江省哲学社会科学规划项目(没有。18 ndjc278yb),浙江省自然科学基金(没有。LY18G020012和LQ17G020003);中国社会科学基金会的主要项目。16 zda053),人文和社会科学的主要项目浙江大学(没有。2016 gh024),中国浙江省教育部科研项目(没有。Y201636584)。