守护数字隐私：探索用户画像与安全增强

用户画像化的实践通过收集用户信息实现个性化推荐，已广泛普及，推动了技术进步。然而，这一增长对用户隐私构成威胁，因设备往往在用户意识不到的情况下收集敏感数据。本文旨在整合用户画像化知识，探讨各种方法及其挑战。通过分析两家共享用户数据的公司以及对印度18个流行Android应用程序（包括社交、教育、娱乐、旅游、购物等类别）的研究，本文揭示了隐私漏洞。进一步地，本文提出增强型机器学习框架，采用决策树和神经网络，提高了检测个人信息暴露的先进分类器性能。借助XAI（可解释人工智能）算法LIME（局部可解释模型中性解释），增强了可解释性，这对于可靠识别敏感数据至关重要。结果显示，显著提升了性能，神经网络准确率达75.01%，训练时间缩短至3.62秒。最后，本文提出强化数字安全措施的研究方向。