中文摘要：

在移动商务个性化推荐系统中，移动用户信息及移动情境信息的特殊性虽然给用户建模提供有价值的隐性信息，从而提高用户建模与推荐算法的质量，却引发用户隐私信息的外泄问题，这对移动商务在用户信息收集与用户建模、推荐算法、推荐系统评价及其推荐系统应用等方面提出了新的问题与挑战。本项目研究内容一是通过移动商务中各类情境感知信息、用户消费行为信息以及其他行为信息来构建基于隐性评分的用户模型；二是在分布式移动网络中实现基于安全多方协议的协同过滤算法来获取基于P2P结构的推荐算法，并达到保护用户隐私数据的目的，最后整合为分布式环境下移动商务个性化推荐系统架构。本项目为具有隐私保护的移动商务推荐系统的构建提供了理论基础，并为实际移动商务的应用提供一个具有可操作性的、优质高效的推荐系统架构。

结论摘要：

在移动商务个性化推荐系统中，移动用户信息及移动情境信息（包括位置信息、浏览行为以及购物篮数据等）为分析移动用户的行为特征提供了有用的信息。在大部分移动应用中，难以获取用户对项目（或商品）的直接评分（又称为显性评分），或者是得到的评分不准确，因此影响推荐系统的质量。无论是从移动用户的行为信息去推理出隐性评分，还是直接对用户进行分类研究，通过客户的细分来建立推荐算法，它们的缺点都是要使用用户的隐私信息，本项目主要研究如何保护移动用户隐私信息的同时，提高推荐系统的质量，主要作了以下几方面工作。第一，建立基于移动用户行为信息的隐性评分研究。主要完成两个工作，一是对客户的行为数据,包括位置行为、浏览行为、购物行为，通过贝叶斯网络推理出用户对项目的隐性评分，然后再通过协同过滤得到推荐排序；二是直接由行为数据来对客户进行细分，并运用到移动商务协调过滤算法当中，从而对不同的客户群体，作出不同个性化的推荐服务。第二，建立分布式结构的隐私保护推荐算法。主要搭建P2P分布式移动计算环境，利用安全多方计算模型，在用户端就对行为数据进行预计算的解决方案。包括处理非结构化或是半结构化的数据计算模型。第三，研究基于P3P协议的用户隐私信息一阶逻辑推理系统。P3P协议是一个权威的、高效的用户对自身隐私信息有选择权的一种解决方案，我们研究如何建立P3P隐私信息选择与用户推荐服务的一阶逻辑推理模型。第四，利用随机扰动算法对用户信息加入随机扰动量，通过研究结果表明扰动后的聚类分析结果与未被扰动的数据聚类分析从数学上证明其结果同分布的，即两个聚类结果相似。这种对原始数据扰动后再进行聚类分析对客户细分，从而可以保护客户的原始数据。这样不仅可以利用客户信息进行个性化的客户群体进行推荐，而且达到保护客户隐私信息的目的。最后，通过实证方法研究客户行为和心理的因素以及关系。实证研究结果表明移动商务用户对隐私威胁所造成的结果感知越严重，对隐私越敏感，用户的感知威胁越强；用户对隐私安全保护措施的感知有效性越强，自我效能越高，用户感知规避能力越高；用户的规避行为是由规避动机触发的，规避动机受社会影响、感知威胁和感知规避能力的影响。安全多方机制角度研究结果表明在UICF协同过滤推荐算法的基础上解决了两方协同计算的问题，在提高推荐质量的基础上又保证双方数据的隐私性。项目成果为实际应用提供一个具有可操作性的