基于攻擊識別的魯棒推薦算法研究.pdf

1、系統(tǒng)中存在一些攻擊用戶人為地向系統(tǒng)注入大量的虛假評分，企圖使系統(tǒng)產生對它們有利的推薦結果，嚴重影響了系統(tǒng)的推薦質量。并且攻擊用戶在已有的攻擊模型基礎上一直在尋求新的攻擊方法來破壞推薦系統(tǒng)。因此，解決系統(tǒng)在面臨不同攻擊時的安全問題刻不容緩。本文則通過分析現存的攻擊模型和新出現的攻擊模型的特征，對推薦系統(tǒng)在面對攻擊時保證推薦準確率情況下提高抗攻擊能力即魯棒性做了研究，基于攻擊識別的思想提出基于攻擊識別的魯棒推薦算法。
　　首先，由于現

2、有的魯棒推薦算法對標準托攻擊的防御能力不強，并且有些魯棒推薦算法通過犧牲推薦精度的方法來提高魯棒性。針對這一問題，本文提出了基于托攻擊識別的魯棒推薦算法。首先計算用戶評分行為特征得到可疑用戶集合，再利用統(tǒng)計學知識確定目標項目，然后依據目標項目計算用戶的行為可疑度來識別攻擊用戶。最后與概率矩陣分解算法結合，提高推薦精度和魯棒性。
　　然后，針對現存在的魯棒推薦算法一般是針對已有的托攻擊模型提出來的，而在面對新的高級項目攻擊時體現出弱

3、魯棒性的問題，本文提出了基于高級項目攻擊識別的魯棒推薦算法。該算法首先分析了高級項目用戶評分特征，利用用戶的流行項目密度識別攻擊用戶并標記。然后在矩陣分解過程中判斷被標記用戶是否對受攻擊項目有過評分，如果有評分，則該項目不參與迭代更新。這樣可以消除攻擊用戶對受攻擊項目的影響，并一定程度上提高系統(tǒng)的推薦精度。
　　最后，對本文提出的兩種基于攻擊識別的魯棒推薦算法在Movielens和Netflix數據集上進行了實驗驗證與分析，并與現