-
Patent Agency Ranking
公开(公告)号：CN105913159A
公开(公告)日：2016-08-31
申请号：CN201610279983.6
申请日：2016-04-29
Applicant: 北京邮电大学
Abstract: 本发明实施例提供一种基于社交网络事件的用户影响力预测方法，通过社交网络中M个用户在N个事件上的影响力建立用户影响力矩阵S，通过用户的特征信息建立用户相关度矩阵U，通过事件的特征信息建立事件相关度矩阵E，然后根据用户影响力矩阵S、用户相关度矩阵U和事件相关度矩阵E，将事件相关性和用户相关性融合到矩阵分解预测模型中，提出新的预测模型MF?EUN进行基于社交网络事件的用户影响力预测，提高了预测结果的准确性。另外，通过本发明实施例提供的用户影响力预测方法可以比较全面的预测社交网络中用户的影响力。
-
公开(公告)号：CN114091100B
公开(公告)日：2024-05-03
申请号：CN202111391595.4
申请日：2021-11-23
Applicant: 北京邮电大学
Abstract: 本申请公开了一种满足本地差分隐私的轨迹数据收集方法及系统，本申请实施例提供的方法，首先，将设定的地理区域进行网栅离散化，在地理区域内形成满足本地差分隐私的网栅，以离散用户的轨迹数据；其次，根据形成的网栅，离散化用户的轨迹数据，即将用户的轨迹数据中的每个地理位置替换为该位置所在晶格的索引值；再次，以在网栅中的每个晶格内的用户轨迹数据为样本，学习得到隐马尔科夫模型；最后，从学习得到的隐马尔科夫模型中抽样生成该地理区域的轨迹数据集。由于在用户轨迹数据收集过程中每个用户的轨迹数据都通过最优本地哈希法进行扰动处理，所以解决了用户隐私泄露问题，提供的设定地理区域的轨迹数据集中剔除了用户隐私信息。
-
公开(公告)号：CN109299436B
公开(公告)日：2021-10-15
申请号：CN201811079995.X
申请日：2018-09-17
Applicant: 北京邮电大学
IPC: G06F17/16 , G06F17/18 , G06F16/901 , G06F21/62
Abstract: 本申请公开了一种满足本地差分隐私的偏好排序数据收集方法，用户终端利用Rule I和Rule II对偏好排序数据进行转化，并将转化后的数据加入噪声后发送给数据收集平台，数据收集平台和用户终端相互配合实现满足本地差分隐私的算法，并完成整个RI模型构建，基于构建的模型生成偏好排序数据。通过上述方法，能够在保证避免隐私泄露的同时保证收集的偏好排序数据具有较高的数据效用。
-
公开(公告)号：CN114091100A
公开(公告)日：2022-02-25
申请号：CN202111391595.4
申请日：2021-11-23
Applicant: 北京邮电大学
Abstract: 本申请公开了一种满足本地差分隐私的轨迹数据收集方法及系统，本申请实施例提供的方法，首先，将设定的地理区域进行网栅离散化，在地理区域内形成满足本地差分隐私的网栅，以离散用户的轨迹数据；其次，根据形成的网栅，离散化用户的轨迹数据，即将用户的轨迹数据中的每个地理位置替换为该位置所在晶格的索引值；再次，以在网栅中的每个晶格内的用户轨迹数据为样本，学习得到隐马尔科夫模型；最后，从学习得到的隐马尔科夫模型中抽样生成该地理区域的轨迹数据集。由于在用户轨迹数据收集过程中每个用户的轨迹数据都通过最优本地哈希法进行扰动处理，所以解决了用户隐私泄露问题，提供的设定地理区域的轨迹数据集中剔除了用户隐私信息。
-
公开(公告)号：CN109299436A
公开(公告)日：2019-02-01
申请号：CN201811079995.X
申请日：2018-09-17
Applicant: 北京邮电大学
IPC: G06F17/16 , G06F17/18 , G06F16/901 , G06F21/62
Abstract: 本申请公开了一种满足本地差分隐私的偏好排序数据收集方法，用户终端利用Rule I和Rule II对偏好排序数据进行转化，并将转化后的数据加入噪声后发送给数据收集平台，数据收集平台和用户终端相互配合实现满足本地差分隐私的算法，并完成整个RI模型构建，基于构建的模型生成偏好排序数据。通过上述方法，能够在保证避免隐私泄露的同时保证收集的偏好排序数据具有较高的数据效用。
-
-
-
-
Search Results
5
records
(took 0.017 seconds)
