推薦系統(tǒng)中托攻擊防御方法研究.pdf

1、伴隨互聯(lián)網(wǎng)的普及與電子商務(wù)的快速發(fā)展，信息數(shù)據(jù)量以指數(shù)級(jí)別增長的同時(shí)帶來了“信息過載”問題。推薦算法通過數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)等方式挖掘海量信息中能夠幫助電子商務(wù)網(wǎng)站為其客戶提供符合個(gè)性化需求的決策支撐和信息服務(wù)，一定程度上有效的緩解了海量數(shù)據(jù)問題。但系統(tǒng)自身的公開性、推薦算法本身存在的設(shè)計(jì)缺陷以及用戶的介入性導(dǎo)致系統(tǒng)容易遭受惡意干擾、蓄意攻擊等操縱行為。因此，安全性成為推薦系統(tǒng)的關(guān)鍵問題。通常將有目的去偽造、更改評(píng)分?jǐn)?shù)據(jù)的惡意操作稱為用戶

2、概貌注入攻擊或者托攻擊。傳統(tǒng)的協(xié)同過濾技術(shù)已然無法滿足推薦系統(tǒng)對(duì)高安全性、防御性、準(zhǔn)確性等推薦可靠性要求。部分商家向推薦系統(tǒng)中惡意注入攻擊用戶概貌，對(duì)推薦系統(tǒng)結(jié)果進(jìn)行人為干預(yù)企圖謀取私利。這些惡意操作行為嚴(yán)重危害了推薦系統(tǒng)的安全性。如何檢測(cè)出托攻擊并采取有效的方法來防御托攻擊刻不容緩，已成為該領(lǐng)域?qū)＜覍W(xué)者重要研究問題。
　　相似度度量是協(xié)同過濾算法的核心模塊，但易于遭受推薦攻擊問題。近年來，信譽(yù)模型被融合到推薦流程中，加強(qiáng)協(xié)同過濾

3、算法的魯棒性和推薦精確性?；谀壳把芯口厔?shì)，本文提出了兩種改進(jìn)方法提高推薦系統(tǒng)的防御能力。本文主要?jiǎng)?chuàng)新改進(jìn)內(nèi)容如下:
　　(1)基于信息熵相似度的托攻擊防御方法
　　在協(xié)同過濾相關(guān)理論的基礎(chǔ)上，針對(duì)當(dāng)前相似度度量方法僅考慮評(píng)分矩陣數(shù)據(jù)的局限性，本文提出信息熵來度量正常用戶與惡意用戶間評(píng)分變化幅度差異。融合信息熵模型作為度量相似度的影響因子，彌補(bǔ)了系統(tǒng)遭受攻擊時(shí)僅依靠傳統(tǒng)相似度不足以區(qū)分惡意用戶的缺陷性。在皮爾森相關(guān)系數(shù)基礎(chǔ)上

4、，本文提出一種改進(jìn)的相似度度量方法(E-CF)，結(jié)合評(píng)分變化幅度差異降低注入用戶概貌的相似性。實(shí)驗(yàn)結(jié)果表明，E-CF客觀地反映托攻擊情況下系統(tǒng)防御性增強(qiáng)，并提高了算法精確性。
　　(2)融合信任更新機(jī)制的防攻擊推薦算法研究
　　隨著社交網(wǎng)絡(luò)研究的飛速發(fā)展，信任關(guān)系網(wǎng)絡(luò)被廣泛應(yīng)用到個(gè)性化推薦算法研究中?？紤]到推薦用戶在過去的推薦歷史中所起到的作用也是一個(gè)重要的推薦依據(jù)因素，即推薦用戶的信任度，引入信任更新機(jī)制。通過融合信任度和