基于用户体验的跨域推荐及隐私分享行为模式研究

With the rapid development of the Internet and E-commerce, users sign in multiple websites for fruitful personalized recommendation service, but fall prey to privacy concern, so exploiting the methods of integrating users’ data and protecting privacy based on user experience is an urgent scientific problem to be solved in Big Data management of websites. This research is focusing on user datasets from the cross-domain recommendation, whose characters are “enormous, scattered and fragmented”, and analyses the sensitiveness association between users’ trust to different websites and their personal traits. A cross-sites user service agent will be designed, and the machine learning techniques are modified for recognizing users’ privacy disclosure differences and for clustering them into groups. The privacy default settings are applied to raise users’ initial willingness of disclosure, and the Decider collector is constructed for making the privacy integration strategy, which would track users’ trust fluctuation as well as their feedbacks in privacy disclosure, and thus could gain users’ trust and raise users’ disclosure amount. The confirmatory factor analysis is applied to construct the users’ behavioral model which is consist of the correlations between the trust values and the personal traits of disclosure, and the privacy protection and collection strategies are determined for fitting users’ disclosure behavior model under the cross-domain recommendation hierarchy in the process of model optimization. The findings of this research will benefit the scholars who are concentrating on the optimization of Big Data management and user privacy collection procedure in cross-domain recommendation with theoretical references and technical support.

随着互联网及电子商务的快速发展，用户在多个平台注册账户以获取丰富个性化推荐服务的同时，也增加了对隐私安全的担忧，因此基于用户体验探索用户数据采集及隐私保护是当前网络大数据管理亟需解决的科学问题。本研究针对跨域用户数据“繁多、散杂、碎片化”的特征，分析用户对不同平台的信任度与其自身心理特征的敏感关联，设计跨平台用户服务代理，改进机器学习算法使其可以识别用户隐私分享行为差异并完成群体分类。归纳隐私分享默认选项提升用户隐私分享的初始意愿，定义Decider采集器制定隐私采集策略，追踪用户群体的信任度变化和隐私分享行为反馈，保证信任度增长的同时有效地提升用户的隐私分享量。运用验证性因素分析法构建信任度数值与个人信息分享特征的行为参数模型，通过对模型的测试与优化，确定跨域推荐体系下符合用户分享行为模式的隐私保护采集策略。本研究成果可为用户跨域推荐中的大数据管理提供理论依据和技术支持。

本项目基于互联网用户存在多个账户情形下，对跨域推荐中存在的数据采集和隐私保护之间的矛盾展开了相关研究。通过分析用户群体的隐私分享行为数据，按照其隐私分享行为差异对用户进行分类，挖掘隐私分享行为模式，为缺乏经验储备的用户提供隐私分享决策支持，最大程度地缓解用户对隐私安全的担忧，达到用户体验优化的目的，促进跨域推荐的预测准确率提升。研究过程中采用迁移学习、相关性分析、矩阵分解、信任情感计算等方法，追踪用户在跨域推荐中服务优化的体验指标和隐私分享容忍意愿，实现了隐私分享默认选项、面向突发事件的动态采集策略更新机制、高密度话题模型挖掘、边缘化信息存储和地理范围匿名化推荐算法，有效促进了用户信任度快速增长并维持在较高水平，实现了跨域推荐中的合理化数据采集规则，诠释了用户个性化服务需求和隐私采集的层级关系。项目研究内容取得的成果主要表现在：①基于隐私分享默认选项的迁移学习模型，可以有效减少用户的操作频率和隐私顾虑；②实时启发式模型，能够在突发事件中维持用户对中等敏感度信息收集项目的分享量；③补充了基于信任感知和相似分享偏好的用户跨域匹配模型，对同一聚类用户采用相似的数据采集策略；④提出边缘化用户话题蔓延计算模型，采用用户数据边缘存储和本地计算跨域推荐的方式缓解用户隐私顾虑；⑤采用地理位置强化匿名模型，将采集到的用户信息进行一般化聚类，研究结果适用于同一位置聚类上的用户；⑥在实时章节更新的图书推荐算法中采用隐私保护机制，维护用户信息采集量和用户体验平稳度，提高了动态更新的图书推荐准确率。总之，本项目完成了跨域推荐中的用户隐私分享行为模式研究和用户体验优化，建立了系统的隐私管理理论。本项目按照原定目标完成了相应研究内容，发表论文7篇，其中SCI检索6篇、EI检索1篇，申请发明专利3项。人才培养方面，培养及协助培养博士研究生2名、硕士研究生6名。