摘要：基于互联网的电子商务系统发展十分迅速,在海量的商品之中用户如何能够及时有效的挑选到心仪的商品,是各大电子商务平台十分关注的研究方向。传统的商品推荐算法将用户和商品进行关联,但却无法考虑到推荐结果的解释性,推荐结果是否能够很好解释常常影响着用户的信服力。本文基于对知识图谱以及基于知识图谱的推荐算法进行研究,设计了基于ripplenet模型对用户和商品进行智能推荐的算法,并利用准确性评价指标对模型进行评估。实验结果表明,该模型能够达到良好的效果,可以在一定程度上提升用户体验。

摘要：算力网络安全是算力网络建设健康度的关键衡量指标。构成算力网络的算力节点安全作为系统整体安全的源头,目前缺乏专业的安全信任衡量评估标准来感知预测算力网络安全态势。本文提出了一种结合ripplenet的算力节点安全信任评估方法,用于评估算力网络节点的安全信任系数,重点关注节点计算资源和数据安全。对节点访问日志、安全配置、通信记录、安全事件等多性维度关联安全因子的发掘,提出了一套综合性的多维安全信任评估指标体系,推断每个节点的安全风险程度,从而提供有效的安全防护调度策略支撑。

摘要：基于协同过滤(Collaborative Filtering,CF)的推荐算法可以有效地把用户与推荐内容联系起来,但却通常存在冷启动以及矩阵稀疏等问题,对用户的使用体验造成一定影响。知识图谱能够挖掘用户与推荐内容间的潜在联系,提升推荐的准确性。虽然,在推荐算法中引入知识图谱可以提升算法的推荐效果,但也意味着当推荐系统遭受攻击时用户也将遭受更为严重的隐私安全威胁。文章在知识图谱推荐算法的基础上引入差分隐私机制,提出了一种基于ripplenet模型的隐私保护推荐算法。实验结果表明,该算法能够在一定程度上提升推荐效果,提升推荐效果并降低数据泄露风险。