以用户为中心的社交网络已成为当今世界最为流行的信息分享平台，但目前网络中的数据呈爆炸式增长，引起了信息过载和隐私泄露等问题。社交网络推荐以推送的方式给用户提供最佳的建议，是解决网络中信息爆炸式增长带来的信息过载问题的有效途径。本书围绕面向隐私保护的社交网络推荐展开论述，主要包括社交网络推荐算法、隐私保护推荐方法、联邦推荐隐私保护方法及跨域推荐方法。全书从社交网络推荐面临的问题出发，阐述了社交网络推荐的内涵、隐私保护的常用方法及缓解数据稀疏的跨域推荐，从三个维度系统地介绍了社交网络推荐的原理与方法。 本书可作为计算机相关专业高年级本科生、研究生以及推荐系统开发人员的参考书，也可作为数据安全领域广大科技工作者的参考书。

序言
第1章 绪论
1.1 社交网络推荐简介
1.2 社交网络推荐技术
1.2.1 社交网络推荐技术简介
1.2.2 基于内容的推荐
1.2.3 基于协同过滤的推荐
1.2.4 基于知识的推荐
1.2.5 混合推荐
1.2.6 各种推荐技术的特点
1.3 推荐系统评价指标
1.3.1 准确度
1.3.2 多样性
1.3.3 新颖性
1.3.4 覆盖性
1.4 社交网络推荐内涵及其挑战
1.4.1 社交网络推荐内涵
1.4.2 社交网络推荐面临的挑战
第2章 基于超图拓扑结构的社交网络推荐
2.1 问题定义
2.2 社交网络拓扑结构分析
2.3 基于超图的推荐模型
2.3.1 用户上下文聚类
2.3.2 融入社交圈用户相似度及项目特征相似度
2.3.3 推荐模型训练
2.3.4 冷启动方案
2.4 实验分析
2.4.1 实验设置
2.4.2 实验结果
2.5 本章小结
第3章 基于核化网络的社交网络推荐
3.1 问题定义
3.2 深度学习矩阵因子分解模型
3.2.1 基于核化网络的通用深度学习推荐框架
3.2.2 核化网络处理步骤
3.3 基于显式信息的深度学习矩阵分解推荐方法
3.3.1 核化网络
3.3.2 隐式信息挖掘
3.4 实验结果及分析
3.4.1 实验设置
3.4.2 实验结果
3.5 本章小结
第4章 基于奇异值分解的隐私保护推荐
4.1 问题定义
4.2 随机扰动简介
4.2.1 随机扰动在推荐中的应用
4.2.2 隐私保护推荐的系统结构
4.2.3 传统随机化扰动的特点
4.3 改进的随机扰动隐私保护算法
4.3.1 隐私多样性
4.3.2 算法框架和实现
4.3.3 算法性能评估标准
4.4 实验结果及分析
4.4.1 实验设置
4.4.2 填充比例分析
4.4.3 扰动强度分析
4.5 本章小结
第5章 基于多级随机扰动的隐私保护推荐
5.1 问题定义
5.2 相关工作
5.2.1 潜在因子模型
5.2.2 随机扰动
5.2.3 数据稀疏填充
5.3 基于多级随机扰动的隐私保护推荐方案
5.3.1 多级组合随机扰动模型
5.3.2 伪评分预测填充算法
5.3.3 算法时间复杂度分析
5.4 实验结果及分析
5.4.1 实验数据集
5.4.2 评价标准
5.4.3 实验设置
5.4.4 实验结果分析
5.5 本章小结
第6章 基于差分隐私的兴趣点推荐
6.1 问题定义
6.2 矩阵分解模型及差分隐私理论
6.2.1 矩阵分解模型
6.2.2 差分隐私定义
6.3 推荐系统模型构建和优化
6.3.1 用户兴趣偏移度
6.3.2 基于兴趣偏移的推荐模型
6.4 基于差分隐私的推荐模型
6.4.1 隐私邻居选择
6.4.2 梯度扰动
6.4.3 安全性分析
6.5 实验结果及分析
6.5.1 实验设置
6.5.2 实验结果
6.6 本章小结
第7章 基于分布式差分隐私的推荐
7.1 问题定义
7.2 分布式隐私保护推荐框架
7.2.1 相关符号及隐私保护理论
7.2.2 系统架构
7.2.3 攻击模型及设计目标
7.3 分布式隐私保护推荐方法
7.3.1 用户端分片算法设计
7.3.2 分布式推荐服务器端隐私保护模型
7.3.3 位置服务器端隐私保护模型
7.3.4 安全性分析
7.4 实验结果及分析
7.4.1 实验设置
7.4.2 实验结果
7.5 本章小结
第8章 基于差分隐私的并行离线推荐
8.1 问题定义
8.2 模型设计
8.2.1 并行设计
8.2.2 模型训练
8.2.3 引入差分隐私
8.3 实验分析
8.3.1 实验环境及数据
8.3.2 评价指标
8.3.3 实验结果
8.4 本章小结
第9章 基于差分隐私的并行在线推荐
9.1 问题定义
9.2 常用并行推荐算法介绍
9.2.1 BaPa算法
9.2.2 BALS算法
9.2.3 HogWild！算法
9.2.4 Spark并行平台
9.2.5 其他相关技术
9.3 模型设计
9.3.1 并行化设计
9.3.2 模型训练
9.3.3 安全性分析
9.4 实验分析
9.4.1 实验环境及数据
9.4.2 评价指标
9.4.3 实验结果
9.5 本章小结
第10章 基于本地差分隐私的联邦推荐
10.1 问题定义
10.2 基于均值求和的矩阵分解算法
10.2.1 相关数学定义
10.2.2 矩阵模型介绍
10.2.3 算法流程
10.3 保护用户敏感数据的本地差分隐私推荐算法
10.3.1 矩阵模型介绍
10.3.2 算法流程
10.3.3 复杂度及安全性分析
10.4 实验结果及分析
10.4.1 实验设置
10.4.2 实验结果
10.5 本章小结
第11章 基于秘密共享的联邦推荐
11.1 问题定义
11.2 基于秘密共享技术保护用户隐私
11.2.1 相关数学定义
11.2.2 联邦矩阵分解方法
11.2.3 保护隐私的联邦矩阵分解框架
11.2.4 算法流程
11.3 融入用户项目交互值的推荐方法
11.3.1 问题分析