基于托攻擊檢測的魯棒非負矩陣分解推薦算法.pdf

1、由于協(xié)同過濾推薦自身特點以及互聯(lián)網的開放性，使得協(xié)同過濾推薦系統(tǒng)在面對托攻擊時表現(xiàn)的比較脆弱，不能很好抵抗托攻擊的影響?，F(xiàn)有的研究雖然已經提出了一些魯棒推薦算法，但是這些算法要么對托攻擊的抵抗力不強，在魯棒性上表現(xiàn)不佳；要么通過犧牲推薦精度來提高算法的魯棒性。針對魯棒推薦算法的上述現(xiàn)狀，本文提出了一種基于托攻擊檢測的魯棒非負矩陣分解推薦算法，在保證推薦精度的同時提高了算法的魯棒性。
　　首先，對傳統(tǒng)的奇異值分解變量選擇算法進行了改

2、進，并在改進的奇異值分解變量選擇算法的基礎上融合平均評分加權偏離度檢測特征提出了一種基于奇異值分解和平均評分加權偏離度的托攻擊檢測算法(VSSW)。本文改進了傳統(tǒng)的奇異值分解變量選擇算法確定嫌疑用戶標記數(shù)的策略，縮小了嫌疑用戶標記數(shù)的取值，提高了準確率。通過在改進的奇異值分解變量選擇算法基礎上整合平均評分加權偏離度檢測特征，進一步提高了準確率。
　　其次，將上述基于奇異值分解和平均評分加權偏離度的托攻擊檢測算法和基于非負矩陣分解的

3、魯棒推薦算法相融合提出了基于托攻擊檢測的魯棒非負矩陣分解推薦算法(VSSW-NMF)。算法在迭代更新之前使用VSSW算法對評分數(shù)據(jù)進行攻擊檢測，獲得嫌疑用戶集合。之后在非負矩陣分解的迭代更新過程中過濾掉嫌疑用戶集合中的用戶，從而抵消攻擊概貌對推薦結果的惡意影響，提高算法的魯棒性。
　　最后，對于本文中所提的算法，在MovieLens1m數(shù)據(jù)集上進行了仿真實驗，并將實驗結果和一些已有的算法進行了對比。通過與現(xiàn)有算法的對比表明，本文所