推薦系統(tǒng)攻擊檢測算法的研究.pdf

1、電子商務的迅速發(fā)展給人們的生活提供了更加豐富的選擇,但也使得服務信息呈現(xiàn)“超載”趨勢,推薦系統(tǒng)是過濾信息的重要手段,是解決信息超載卓有成效的方法。然而由于系統(tǒng)本身對用戶的開放性及靈敏性,使其很容易遭到外界的攻擊。部分惡意商家在商業(yè)利益的驅動下,刻意地向系統(tǒng)中植入一些偽造的用戶概貌來影響推薦系統(tǒng)的準確性。如何對外界攻擊進行防御和檢測,確保電子商務推薦系統(tǒng)的安全成為近年來信息推薦領域的一個新的研究熱點。本文綜合分析了國內外有關推薦系統(tǒng)安全性

2、的研究現(xiàn)狀,并針對基于協(xié)同過濾的攻擊檢測算法進行了深入研究,主要研究工作如下:
　　1.深入分析了協(xié)同過濾算法的基本思想和工作流程;研究推薦攻擊的相關問題,理解推薦攻擊的策略;根據(jù)攻擊用戶概貌的評分策略對攻擊模型進行了分類。將現(xiàn)有經典的攻擊檢測算法進行了分類,通過實驗根據(jù)幾種標準的攻擊模型生成對應的攻擊用戶概貌植入至原始系統(tǒng),分析比較了攻擊前后不同攻擊比例和填充比例對推薦系統(tǒng)平均預測偏離度和命中率的影響情況。
　　2.理解研

3、究基于Hv-score值的UnRAP無監(jiān)督攻擊檢測算法,分析算法的基本思想和實現(xiàn)流程。在UnRAP檢測算法的基礎上,事先對系統(tǒng)中的所有用戶進行聚類,并將類中的用戶評分進行壓縮。針對群體用戶而不是單個用戶來對UnRAP算法進行改進,得到一種基于UnRAP的群組攻擊檢測算法AP-UnRAP。改進后的算法充分考慮了攻擊用戶內部之間的高相似性,尋找目標項目時相對單個用戶概貌更加準確。
　　3.結合用戶概貌特征屬性,提出一種基于AP聚類的混

4、合無監(jiān)督攻擊檢測算法 AP-Mix。通過將用戶原始評分矩陣采用 PCA降維,并將主分量信息和用戶概貌特征屬性進行維度組合,用來表示每個用戶的整體評分行為;接著,利用一種自適應AP聚類算法對系統(tǒng)中的所有用戶進行群組劃分;最后,計算每個群組的平均評分偏離度(GRDMA)來找到攻擊用戶所在的某個群組,進而檢測出植入的攻擊用戶。AP-Mix用組合后的信息代表用戶的完整行為,加大了攻擊用戶和正常用戶的區(qū)分度,用戶群體劃分的效果更好,檢測性能越強;