基于攻擊識(shí)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(píng)分，企圖使系統(tǒng)產(chǎn)生對(duì)它們有利的推薦結(jié)果，嚴(yán)重影響了系統(tǒng)的推薦質(zhì)量。并且攻擊用戶在已有的攻擊模型基礎(chǔ)上一直在尋求新的攻擊方法來(lái)破壞推薦系統(tǒng)。因此，解決系統(tǒng)在面臨不同攻擊時(shí)的安全問(wèn)題刻不容緩。本文則通過(guò)分析現(xiàn)存的攻擊模型和新出現(xiàn)的攻擊模型的特征，對(duì)推薦系統(tǒng)在面對(duì)攻擊時(shí)保證推薦準(zhǔn)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(shí)別的思想提出基于攻擊識(shí)別的魯棒推薦算法。
　　首先，由于現(xiàn)

2、有的魯棒推薦算法對(duì)標(biāo)準(zhǔn)托攻擊的防御能力不強(qiáng)，并且有些魯棒推薦算法通過(guò)犧牲推薦精度的方法來(lái)提高魯棒性。針對(duì)這一問(wèn)題，本文提出了基于托攻擊識(shí)別的魯棒推薦算法。首先計(jì)算用戶評(píng)分行為特征得到可疑用戶集合，再利用統(tǒng)計(jì)學(xué)知識(shí)確定目標(biāo)項(xiàng)目，然后依據(jù)目標(biāo)項(xiàng)目計(jì)算用戶的行為可疑度來(lái)識(shí)別攻擊用戶。最后與概率矩陣分解算法結(jié)合，提高推薦精度和魯棒性。
　　然后，針對(duì)現(xiàn)存在的魯棒推薦算法一般是針對(duì)已有的托攻擊模型提出來(lái)的，而在面對(duì)新的高級(jí)項(xiàng)目攻擊時(shí)體現(xiàn)出弱

3、魯棒性的問(wèn)題，本文提出了基于高級(jí)項(xiàng)目攻擊識(shí)別的魯棒推薦算法。該算法首先分析了高級(jí)項(xiàng)目用戶評(píng)分特征，利用用戶的流行項(xiàng)目密度識(shí)別攻擊用戶并標(biāo)記。然后在矩陣分解過(guò)程中判斷被標(biāo)記用戶是否對(duì)受攻擊項(xiàng)目有過(guò)評(píng)分，如果有評(píng)分，則該項(xiàng)目不參與迭代更新。這樣可以消除攻擊用戶對(duì)受攻擊項(xiàng)目的影響，并一定程度上提高系統(tǒng)的推薦精度。
　　最后，對(duì)本文提出的兩種基于攻擊識(shí)別的魯棒推薦算法在Movielens和Netflix數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)驗(yàn)證與分析，并與現(xiàn)