CN104301323B - 均衡第三方应用个性化服务和用户隐私信息安全的方法 - Google Patents
均衡第三方应用个性化服务和用户隐私信息安全的方法 Download PDFInfo
- Publication number
- CN104301323B CN104301323B CN201410574968.5A CN201410574968A CN104301323B CN 104301323 B CN104301323 B CN 104301323B CN 201410574968 A CN201410574968 A CN 201410574968A CN 104301323 B CN104301323 B CN 104301323B
- Authority
- CN
- China
- Prior art keywords
- user
- party application
- tid
- fid
- server
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种均衡第三方应用个性化服务和用户隐私信息安全的方法。本方法为:1)用户在本地安装一客户端软件,将设置的个人安全偏好配置信息发送给服务器;2)服务器根据该用户的个人安全偏好配置计算用户类型,并分配用户ID发送给该客户端软件;3)该用户访问网站时,该客户端软件截断该访问中的第三方应用HTTP请求,并将该用户ID、URL发送给服务器;4)服务器查找该Web网站的ID和类型,对应的第三方应用的历史信息,生成一推荐名单返回给该客户端软件;5)该客户端软件根据该用户的设置允许相应的第三方应用HTTP请求通过,访问相应的第三方应用服务器。该方法采取评分机制推荐第三方应用,帮助用户直观地决策。
Description
技术领域
本发明涉及一种用于在保证用户的隐私信息受到最小威胁的情况下,最大化的使用第三方应用提供的个性化服务的方法,尤其涉及一种基于Web网站类型与第三方应用类型构造的推荐方法,属于网络安全技术领域。
背景技术
第三方应用通常以JavaScript脚本、Flash动画等方式存在于Web网站中,并为网站和用户提供服务。按照所提供服务的内容不同,第三方应用可分为在线广告、分析服务、社交网络、内容提供商、前端服务、托管平台等。在提供功能服务的同时,一些第三方应用会搜集该网站用户的浏览历史、指纹标识等信息,从而分析得到用户的位置、兴趣、购买记录、就业情况、财务状况、医疗状况等用户隐私信息,使得用户无隐私可言。
不同类型的第三方应用所造成的隐私威胁程度不同,不同类型的Web网站涉及的信息敏感程度也不同。普通的网络用户通常具备以下两个特点:首先,用户通常不具备专业的网络安全知识,来判断网站的敏感程度和第三方应用的隐私威胁程度;其次,不同类型的用户对隐私保护的需求有所不同。
针对第三方应用导致的隐私泄露问题,目前存在的防御机制主要以屏蔽第三方应用服务为手段,来阻止第三方应用追踪用户的行为,如Do Not Track头部机制、Opt-outCookies机制、黑名单防御、No Cookie机制等。这些机制在保护用户的隐私信息的同时,却牺牲了第三方应用的可用性,影响了用户体验。
在某些情况下,并不是所有用户都愿意放弃个性化服务来保护自己的隐私信息。比如,当用户浏览购物类网站时,该用户可能允许在线广告类的第三方应用获取其购买行为,来为其提供精准的广告推荐。当然也存在某些情况,用户宁愿放弃个性化服务,也不愿意泄露自己的隐私。例如,当用户浏览健康类网站时,该用户可能不希望被任何类型的第三方应用对其进行追踪。
总之,如何根据不同用户的隐私保护需求,在保证用户的隐私信息受到最小威胁的情况下,最大化的使用第三方应用提供的个性化服务,是网络安全领域的重要研究内容。
发明内容
针对现有技术存在的技术问题,本发明的目的是提供一种均衡第三方应用个性化服务和用户隐私信息安全的方法;本发明基于协同过滤算法和效用算法混合推荐方法,在保证普通用户的隐私信息受到最小威胁的情况下,最大化的使用第三方应用提供的个性化服务。本发明的技术方案为:
一种均衡第三方应用个性化服务可用性和用户隐私信息保密性的方法,分为客户端和服务器两个部分:1)客户端以浏览器插件的形式存在,用以拦截浏览器向服务器端发送用户信息的HTTP请求,并根据服务器的第三方应用推荐名单,有选择性的允许用户信息请求数据包通过;2)服务器则根据用户的个人偏好设置、用户所访问的网站类型以及网站中第三方应用的类型,为用户提供第三方应用的推荐名单。
客户端的工作步骤为:
1.用户初始化其个人安全偏好配置信息。
2.当用户浏览Web网站时,客户端截断该HTTP请求,并向服务器端发送该网站的URL和用户个人安全偏好配置信息。
3.服务器根据客户端发送的用户信息,通过查询后台数据库,获得该网站的第三方应用的推荐列表,并返回给客户端。
4.客户端允许访问该网站的HTTP请求通过,然后获得该网站的HTML文件。
5.浏览器解析该HTML文件,获得一系列发送给第三方应用的HTTP请求包,客户端拦截这些请求包,并根据服务器返回的推荐名单,允许对应第三方应用的请求通过。对于不在推荐名单中的第三方应用,则拒绝其请求通过。
6.用户浏览器访问推荐名单中的第三方应用的个性化服务器,第三方应用的服务器将完整的页面发送给浏览器,浏览器解析后呈现给用户。
推荐名单的决策过程完全在服务器端执行,服务器端包含网站分类和推荐两大模块:
1)在网站分类模块中,服务器端使用爬虫工具获取网站数据和第三方应用的数据,使用数据挖掘算法将其自动分类,将网站的类别、第三方应用类别、网站与第三方应用的对应关系存放在数据库中,以便推荐模块使用。
2)在推荐模块中,使用基于协同过滤与基于效用的混合推荐算法,为用户提供推荐列表。当用户基数较少时,使用基于效用的推荐算法,解决用户通常因为不具备专业的网络安全知识,对许多网站的敏感程度和第三方应用的隐私威胁程度难以判断的问题。根据用户访问网站的类型和该网站中第三方应用的类型,采取评分机制评测第三方应用的隐私威胁程度,帮助用户决策或为用户自动推荐;当用户基数达到一定程度时,使用基于协同过滤的推荐算法,解决不同类型的用户对隐私保护的需求有所不同的问题,根据与用户类型相似的用户对第三方应用隐私威胁的打分情况,评测该第三方应用相对于该用户的隐私威胁分数,帮助用户决策或为用户自动推荐。
本发明的积极效果为:
本发明首次提出了一种基于推荐系统的用以平衡第三方应用个性化服务及其隐私威胁的方法。首先,该方法采取评分机制推荐第三方应用,帮助用户直观地决策。其次,该方法采用基于协同过滤和基于效用的混合推荐方式,既可以帮助普通不具备专业网络安全知识的用户正确决策,又可以满足不同安全要求的用户的个性化需求。同一网站中的第三方应用对不同需求的用户的隐私威胁分数不同,真正做到用户对自己的隐私数据完全可控,填补了当前第三方追踪防御领域中个性化防御的空白。
附图说明
图1为本发明方法的服务器端系统框架图。
图2为本发明方法的使用流程图。
具体实施方式
下面结合附图分别详细描述本发明的具体实施方式。本方法中服务器端的系统框架参见图1。
服务器端运行流程如下:
1.服务器端利用网络爬虫抓取大量的网站,获得这些网站的原始数据以及在这些网站中相应的第三方应用的原始数据。这些数据包括网站的Title、Meta Keywords、MetaDescription、HREF标签值等其它信息。
2.对原始数据进行数据清理,顺序如下:翻译非英语数据为英语、转换成小写单词、分词、去除停用词。
3.利用这些数据,使用数据挖掘的分类算法对所获得的网站和第三方应用进行自动化的分类,得到网站类型和第三方应用的类型,并为这些类型划分隐私威胁严重级别。
根据对隐私威胁程度的不同,将网站类型分为如下三个等级(F-Type):
a)等级A:银行,在线购物,在线付款,健康医疗;
b)等级B:社交网络,博客,电子邮件;
c)等级C:其他;
其中等级1中的网站类别需要最多的保护,而等级3中的网站类别需要最少的保护。
第三方应用类别分为如下三个等级(T-Type):
a)等级1:托管平台,内容提供服务;
b)等级2:广告公司,分析服务,前端服务;
c)等级3:社交网络;
其中等级1的第三方应用类别被认为最安全,而等级3中的第三方应用类别被认为最有威胁。
4.基于每个用户的个人设置,根据用户所访问的网站的类型以及该网站中所包含的第三方应用的类型,为该用户提供推荐列表。该推荐模块的后台数据库中包含五张表:
a)网站信息表:记录网站的类型信息。
b)第三方应用信息表:记录第三方应用的类型信息。
c)用户隐私偏好表:记录用户的安全等级(U-Type)的设置信息,包括强、中、弱三个级别。
d)网站与第三方应用对应关系表:记录网站与第三方应用的对应关系信息,即记录每个网站中包含哪些第三方应用,并以成对方式记录。如网站F中包含多个第三方应用T1,T2,T3,则作为三条记录(f,t1),(f,t2),(f,t3)记录在该表中。
e)用户打分情况表:记录每一用户的为网站与第三方应用关系对(f,t)打分的历史记录。其中“0”为阻止,“1”为允许。
5.当“用户打分情况表”中对某个“网站与第三方应用关系对”打分的用户数目|U|小于等于系统设置的阈值M时,推荐模块使用基于效用的推荐算法为用户提供推荐列表。基于效用的推荐算法的计算方法如公式(1)所示:
公式(1)
其中,Pu,(f,t)为需要计算的用户u对关系对(f,t)的分数;Pr(f,t)为“用户打分情况表”中关系对(f,t)值为“1”的比例值;F-Type为关系对(f,t)中f的取值,即F的类型;T-Type为关系对(f,t)中t的取值,即T的类型;U-Type为用户类型;f(U-Type,F-Type,T-Type)代表类型为U-Type的用户访问类型为F-Type网站时,是否允许类型为T-Type的第三方应用通过,若允许通过其值为“1”,否则为“0”,取值方式如表1所示。
表1允许通过的第三方应用等级(T-Type)对照表
6.当“用户打分情况表”中的对某个“网站与第三方应用关系对”打分的用户数目|U|大于M时,推荐模块使用基于协同过滤的推荐算法,找出与该用户的行为最为相似的用户,并基于该相似用户为用户提供推荐列表。基于协同过滤的推荐算法计算方法如公式(2)和公式(3)所示:
公式(2)
公式(3)
其中,corr(u1,u2)为用户u1和用户u2的相关系数,取值为[-1,1]。T为用户u1和用户u2共同打过分的网站与第三方应用关系对的集合;为用户u1对关系对(f,t)打分的值;为用户u1对集合T中所有关系对打分的平均值;为用户u2对关系对(f,t)打分的值;为用户u2对集合T中所有关系对打分的平均值;Pu,(f,t)为需要计算的用户u对关系对(f,t)的分数;U为所有对关系对(f,t)打过分的用户的集合。
假设用户u访问网站www.example.com,如图2所示,整个系统的运行流程如下:
1.用户安装浏览器插件形式的客户端,并进入初始化配置模块设置“隐私等级”和“保护模式”两个参数。其中“隐私等级”为0-100之间的任意整数,记作preference,数字越大代表对安全的要求越高;“保护模式”分为自动保护和手动保护两种模式。当配置结束后,在本地主机保存“隐私等级”和“保护模式”的值。
2.发送preference到推荐系统服务器端。
3.推荐系统服务器根据preference的值计算用户类型,记作utype,并在“用户隐私偏好表”中插入数据项,获取用户ID,记作uid。
4.将uid返回给客户端。
5.客户端在本地存储其uid。
6.用户u使用浏览器,访问网站www.example.com。
7.发送uid,www.example.com到推荐系统服务器。
8.在网站信息表中查找www.example.com对应的网站ID和网站类型,分别记作fid和ftype。
9.在网站和第三方应用对应表中查找www.example.com中的所有第三方应用,该集合记作TID,网站www.example.com与其中第三方应用的关系对集合记作S(fid,tid),其中tid∈TID。
10.在用户打分情况表中查找为关系对集合S(fid,tid)打过分的用户集合U,集合中元素的个数记作|U|,关系对(fid,tid)的打分值记作r(fid,tid),则为关系对打分(fid,tid)为1的用户数量为|U(r(fid,tid)=1)|。
11.比较|U|和预先内置的阈值M的大小,若|U|≤M,则采用基于效用的推荐算法计算推荐值,具体做法如下:
1)在第三方应用信息表中查找tid第三方应用类型的ttype。
2)根据公式(1)为关系对集合S(fid,tid)中的每一关系对(fid,tid),计算用户u的推荐值Pu,(fid,tid):
然后跳转到第13步。
比较|U|和预先内置的阈值M的大小,若|U|>M,则跳转到步骤12。
12.用基于协同过滤的算法计算推荐值,具体做法如下:
1)在用户打分情况表中,查找用户u所有的打分记录集合,记作Ru(ftid,value),其中ftid用来标识关系对(fid,tid),value不为空。
2)对用户集合U中的每一个用户,记作um(1≤m≤|U|),查找用户um所有的打分记录集合,记作
3)对Ru(ftid,value)和的ftid值求交集T,记为R(ftid,valueu,),其中valueu为用户u对关系对ftid的打分值,为用户um对关系对ftid的打分值。
4)根据R(ftid,valueu,),计算:
5)对于R(ftid,valueu,)的每个关系对ftid,用户u为ftid的打分值记作ru,ftid,
计算和
6)根据公式(3)计算对用户集合U中的每一个用户um(1≤m≤|U|)与用户u的相
关系数:
7)根据公式(2)为关系对集合S(fid,tid)中的每一关系对(fid,tid),计算为用户u的推荐值Pu,(fid,tid):
13.服务器返回推荐列表L(Pu,(fid,tid))到客户端。
14.若用户采用“自动保护”模式,跳转到第15步。否则,浏览器解析该HTML文件,获得一系列发送给第三方应用的HTTP请求包,客户端拦截这些请求包并列出该网站相关的所有关系对,以及服务器返回该关系对的推荐值,由用户判断是否放行。跳转到第16步。
15.浏览器解析该HTML文件,获得一系列发送给第三方应用的HTTP请求包,客户端拦截这些请求包,若推荐值大于preference,则放行该第三方应用,否则阻断。跳转到第16步。
16.推荐结束。
Claims (8)
1.一种均衡第三方应用个性化服务和用户隐私信息安全的方法,其步骤为:
1)用户u在本地安装一客户端软件,并通过客户端软件将设置的个人安全偏好配置信息发送给服务器;
2)服务器根据该用户u的个人安全偏好配置信息计算用户类型,记作utype,记录在服务器的用户隐私偏好表中,并为该用户u分配用户ID,记作uid,发送给该客户端软件;
3)该用户u访问Web网站时,该客户端软件截断该访问中的第三方应用HTTP请求,并将该用户u的uid、该Web网站的URL发送给服务器;
4)服务器在其后台数据库中查找该Web网站的网站ID和网站类型,以及所述第三方应用HTTP请求对应的第三方应用的历史信息;然后根据该用户u的用户类型,该Web网站的网站类型,以及所述历史信息生成一推荐名单返回给该客户端软件;
5)该客户端软件根据该用户u的设置允许相应的第三方应用HTTP请求通过,访问相应的第三方应用服务器。
2.如权利要求1所述的方法,其特征在于所述后台数据库的建立方法为:
21)所述服务器利用网络爬虫抓取多个网站的数据及网站中的第三方应用的数据;
22)对所抓取的数据进行分类,得到网站类型ftype和第三方应用的类型ttype,并将这些类型划分隐私威胁严重级别,建立记录网站类型的网站信息表,记录第三方应用类型的第三方应用信息表,以及网站与第三方应用对应关系表;
23)记录用户为网站与第三方应用关系对打分的历史记录,得到一用户打分情况表。
3.如权利要求2所述的方法,其特征在于服务器采用基于效用的方法生成所述推荐名单:
31)服务器在所述网站与第三方应用对应关系表中查找该用户u所访问Web网站中的所有第三方应用,得到该Web网站与其中第三方应用的关系对集合记作S(fid,tid),其中tid为第三方应用,fid为该Web网站;
32)服务器在所述用户打分情况表中查找为关系对集合S(fid,tid)打过分的用户集合U,该用户集合中元素的个数记作|U|,关系对(fid,tid)的打分值记作r(fid,tid),其中,允许访问对应的打分为1;则为关系对(fid,tid)打分为1的用户数量为|U(r(fid,tid)=1)|;
33)根据公式为关系对集合S(fid,tid)中的每一关系对(fid,tid),计算该用户u的推荐值Pu,(fid,tid),生成所述推荐名单;其中,M为设定的阈值,f(utype,ftype,ttype)代表类型为utype的用户访问类型为ftype网站时,是否允许类型为ttype的第三方应用通过,若允许通过其值为“1”,否则为“0”。
4.如权利要求3所述的方法,其特征在于当|U|≤M时,服务器采用基于效用的方法生成所述推荐名单。
5.如权利要求2所述的方法,其特征在于服务器采用基于协同过滤的算法生成所述推荐名单:
51)服务器在所述网站与第三方应用对应关系表中查找该用户u所访问Web网站中的所有第三方应用,得到该Web网站与其中第三方应用的关系对集合记作S(fid,tid),其中tid为第三方应用,fid为该Web网站;
52)服务器在所述用户打分情况表中查找该用户u所有的打分记录集合,记作Ru(ftid,value);其中ftid用来标识关系对(fid,tid),value不为空;
53)对用户集合U中的每一个用户,记作um,1≤m≤|U|,查找用户um所有的打分记录集合,记作|U|是为关系对集合S(fid,tid)打过分的用户集合U中元素的个数;
54)对Ru(ftid,value)和的ftid值求交集T,记为其中valueu为用户u对关系对ftid的打分值,为用户um对关系对ftid的打分值;
55)根据计算:
56)对于的每个关系对ftid,用户u为ftid的打分值记作ru,ftid,计算和其中,为用户集合U中的用户um为ftid的打分值;
57)计算对用户集合U中的每一个用户um与用户u的相关系数corr(u,um);
58)为关系对集合S(fid,tid)中的每一关系对(fid,tid),计算为用户u的推荐值生成所述推荐名单。
6.如权利要求5所述的方法,其特征在于当|U|>M时,服务器采用基于协同过滤的算法生成所述推荐名单;其中,M为设定的阈值。
7.如权利要求1所述的方法,其特征在于所述客户端软件为一浏览器插件。
8.如权利要求1所述的方法,其特征在于用户在本地主机设置保护模式:自动保护模式或手动保护模式;当保护模式为自动保护模式时,如果第三方应用HTTP请求对应的第三方应用的推荐值大于设定值,则该客户端软件直接允许该第三方应用HTTP请求通过;如果保护模式为手动保护模式,则由用户判断是否允许相应的第三方应用HTTP请求通过。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410574968.5A CN104301323B (zh) | 2014-10-23 | 2014-10-23 | 均衡第三方应用个性化服务和用户隐私信息安全的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410574968.5A CN104301323B (zh) | 2014-10-23 | 2014-10-23 | 均衡第三方应用个性化服务和用户隐私信息安全的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104301323A CN104301323A (zh) | 2015-01-21 |
CN104301323B true CN104301323B (zh) | 2017-10-31 |
Family
ID=52320891
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410574968.5A Expired - Fee Related CN104301323B (zh) | 2014-10-23 | 2014-10-23 | 均衡第三方应用个性化服务和用户隐私信息安全的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104301323B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105988837B (zh) * | 2015-02-12 | 2020-04-03 | Oppo广东移动通信有限公司 | 一种应用程序的安装方法及装置 |
CN106951796B (zh) * | 2016-01-07 | 2020-12-15 | 创新先进技术有限公司 | 一种数据隐私保护的脱敏方法及其装置 |
CN106202331B (zh) * | 2016-07-01 | 2019-08-30 | 中国传媒大学 | 分层次隐私保护的推荐系统及基于该推荐系统的作业方法 |
CN108038758B (zh) * | 2017-12-08 | 2021-01-29 | Oppo广东移动通信有限公司 | 一种应用推荐方法、系统及终端设备 |
US11436364B2 (en) | 2018-12-21 | 2022-09-06 | Allstate Insurance Company | Privacy scout |
CN111538846A (zh) * | 2020-04-16 | 2020-08-14 | 武汉大学 | 基于混合协同过滤的第三方库推荐方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101136873A (zh) * | 2006-08-31 | 2008-03-05 | 腾讯科技(深圳)有限公司 | 一种即时通信平台上向用户发送广告的方法和系统 |
CN102768715A (zh) * | 2011-04-30 | 2012-11-07 | 三星电子株式会社 | 隐私和趋势 |
CN103246672A (zh) * | 2012-02-09 | 2013-08-14 | 中国科学技术大学 | 对用户进行个性化推荐的方法和装置 |
CN103401835A (zh) * | 2013-07-01 | 2013-11-20 | 北京奇虎科技有限公司 | 一种展现微博页面的安全检测结果的方法及装置 |
CN103823908A (zh) * | 2014-03-21 | 2014-05-28 | 北京飞流九天科技有限公司 | 基于用户偏好的内容推荐方法和服务器 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130080592A1 (en) * | 2011-09-23 | 2013-03-28 | Robin Budd | Recommender system for a content server based on security group membership |
-
2014
- 2014-10-23 CN CN201410574968.5A patent/CN104301323B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101136873A (zh) * | 2006-08-31 | 2008-03-05 | 腾讯科技(深圳)有限公司 | 一种即时通信平台上向用户发送广告的方法和系统 |
CN102768715A (zh) * | 2011-04-30 | 2012-11-07 | 三星电子株式会社 | 隐私和趋势 |
CN103246672A (zh) * | 2012-02-09 | 2013-08-14 | 中国科学技术大学 | 对用户进行个性化推荐的方法和装置 |
CN103401835A (zh) * | 2013-07-01 | 2013-11-20 | 北京奇虎科技有限公司 | 一种展现微博页面的安全检测结果的方法及装置 |
CN103823908A (zh) * | 2014-03-21 | 2014-05-28 | 北京飞流九天科技有限公司 | 基于用户偏好的内容推荐方法和服务器 |
Also Published As
Publication number | Publication date |
---|---|
CN104301323A (zh) | 2015-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104301323B (zh) | 均衡第三方应用个性化服务和用户隐私信息安全的方法 | |
Nithyanand et al. | Adblocking and counter blocking: A slice of the arms race | |
CN103745100B (zh) | 一种基于项目的混合显性隐性反馈的协同过滤推荐的方法 | |
Mikians et al. | Detecting price and search discrimination on the internet | |
Shaikh et al. | Recommendation system in e-commerce websites: a graph based approached | |
Guha et al. | Challenges in measuring online advertising systems | |
CN105488233A (zh) | 阅读信息推荐方法和系统 | |
Tewari | Generating items recommendations by fusing content and user-item based collaborative filtering | |
Su et al. | Finding group shilling in recommendation system | |
Dillahunt et al. | Detecting and visualizing filter bubbles in Google and Bing | |
Minkus et al. | I know what you’re buying: Privacy breaches on ebay | |
US9292615B2 (en) | Method and a system for analysing impact of changes to content of a website | |
Ermakova et al. | Web tracking-A literature review on the state of research | |
Fruchter et al. | Variations in tracking in relation to geographic location | |
US20140337714A1 (en) | Method and device for generating a personalized navigation webpage | |
US20140108376A1 (en) | Enhanced detection of like resources | |
Embarak | A method for solving the cold start problem in recommendation systems | |
de Zayas | Carpenter v. United States and the Emerging Expectation of Privacy in Data Comprehensiveness Applied to Browsing History | |
Puglisi et al. | On Web user tracking: How third-party http requests track users' browsing patterns for personalised advertising | |
Degeling et al. | Tracking and tricking a profiler: Automated measuring and influencing of bluekai's interest profiling | |
Karkali et al. | Match the news: A firefox extension for real-time news recommendation | |
Maillé et al. | Are search engines biased? Detecting and reducing bias using meta search engines | |
CN105718573B (zh) | 一种针对用户兴趣的关注关系提取及标注方法 | |
CN106951459B (zh) | 基于熵值法的改进协同过滤推荐方法 | |
KR102379617B1 (ko) | 보도 사진의 저작권 침해 방지를 위한 모니터링 서비스 장치 및 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171031 Termination date: 20201023 |
|
CF01 | Termination of patent right due to non-payment of annual fee |