一种基于HITS和随机跳转的网页标签排序方法

Web 2.0应用的兴起,推进了情报学科由＂文献组织＂向＂知识组织＂演化。网页标签作为重要的Web2.0应用之一,已经成为大众组织知识的常用途径。然而,现有的标签排序方法难以有效满足知识组织的需求。本文在三核协同标签模型的基础上,充分考虑标签和用户、标签和标签、标签和文档之间的关系,提出了一种结合HITS和随机跳转的标签排序方法。该方法利用高质量标签和高质量用户之间的相互加强关系,根据标签之间的相似性来找出高质量相关标签,有效提高标签排序的质量。在Delicious数据集上的实验结果表明,该方法能较大提高标签排序的准确度。

基于本地化差分隐私的权重图发布方法

针对现有的图数据收集研究主要集中在简单图网络建模,而没有考虑边权重隐私保护,缺少对于相关领域的研究,在此基础上提出了一种基于本地化差分隐私(LDP)权重图发布方法。首先使用LDP图度量估计框架,可以在不泄露隐私的情况下估计目标图度量,然后使用EdgeProjection处理权重值,采用一元编码方式使得随机响应适用于任何实数。为节省隐私预算,只对部分数据进行收集。使用随机跳转算法RJ,减小全局敏感度,减少噪声添加量。并在数据集BA1和IMDB上进行仿真,实验结果表明,在同样确保数据隐私的情况下,相比其它同类型方法,减少了更多信息损失,保证了数据有效性。