推薦系統(tǒng)攻擊檢測(cè)算法的研究.pdf

1、電子商務(wù)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(wù)信息呈現(xiàn)“超載”趨勢(shì),推薦系統(tǒng)是過(guò)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(duì)用戶(hù)的開(kāi)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(qū)動(dòng)下,刻意地向系統(tǒng)中植入一些偽造的用戶(hù)概貌來(lái)影響推薦系統(tǒng)的準(zhǔn)確性。如何對(duì)外界攻擊進(jìn)行防御和檢測(cè),確保電子商務(wù)推薦系統(tǒng)的安全成為近年來(lái)信息推薦領(lǐng)域的一個(gè)新的研究熱點(diǎn)。本文綜合分析了國(guó)內(nèi)外有關(guān)推薦系統(tǒng)安全性

2、的研究現(xiàn)狀,并針對(duì)基于協(xié)同過(guò)濾的攻擊檢測(cè)算法進(jìn)行了深入研究,主要研究工作如下:
　　1.深入分析了協(xié)同過(guò)濾算法的基本思想和工作流程;研究推薦攻擊的相關(guān)問(wèn)題,理解推薦攻擊的策略;根據(jù)攻擊用戶(hù)概貌的評(píng)分策略對(duì)攻擊模型進(jìn)行了分類(lèi)。將現(xiàn)有經(jīng)典的攻擊檢測(cè)算法進(jìn)行了分類(lèi),通過(guò)實(shí)驗(yàn)根據(jù)幾種標(biāo)準(zhǔn)的攻擊模型生成對(duì)應(yīng)的攻擊用戶(hù)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(duì)推薦系統(tǒng)平均預(yù)測(cè)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(wú)監(jiān)督攻擊檢測(cè)算法,分析算法的基本思想和實(shí)現(xiàn)流程。在UnRAP檢測(cè)算法的基礎(chǔ)上,事先對(duì)系統(tǒng)中的所有用戶(hù)進(jìn)行聚類(lèi),并將類(lèi)中的用戶(hù)評(píng)分進(jìn)行壓縮。針對(duì)群體用戶(hù)而不是單個(gè)用戶(hù)來(lái)對(duì)UnRAP算法進(jìn)行改進(jìn),得到一種基于UnRAP的群組攻擊檢測(cè)算法AP-UnRAP。改進(jìn)后的算法充分考慮了攻擊用戶(hù)內(nèi)部之間的高相似性,尋找目標(biāo)項(xiàng)目時(shí)相對(duì)單個(gè)用戶(hù)概貌更加準(zhǔn)確。
　　3.結(jié)合用戶(hù)概貌特征屬性,提出一種基于AP聚類(lèi)的混

4、合無(wú)監(jiān)督攻擊檢測(cè)算法 AP-Mix。通過(guò)將用戶(hù)原始評(píng)分矩陣采用 PCA降維,并將主分量信息和用戶(hù)概貌特征屬性進(jìn)行維度組合,用來(lái)表示每個(gè)用戶(hù)的整體評(píng)分行為;接著,利用一種自適應(yīng)AP聚類(lèi)算法對(duì)系統(tǒng)中的所有用戶(hù)進(jìn)行群組劃分;最后,計(jì)算每個(gè)群組的平均評(píng)分偏離度(GRDMA)來(lái)找到攻擊用戶(hù)所在的某個(gè)群組,進(jìn)而檢測(cè)出植入的攻擊用戶(hù)。AP-Mix用組合后的信息代表用戶(hù)的完整行為,加大了攻擊用戶(hù)和正常用戶(hù)的區(qū)分度,用戶(hù)群體劃分的效果更好,檢測(cè)性能越強(qiáng);