個(gè)性化協(xié)同推薦算法的安全問(wèn)題研究.pdf

1、個(gè)性化推薦系統(tǒng)是電子商務(wù)技術(shù)的一個(gè)重要研究?jī)?nèi)容，其中，個(gè)性化推薦系統(tǒng)中的協(xié)同過(guò)濾推薦是迄今為止應(yīng)用最廣泛、最成功的推薦技術(shù)。但是，隨著電子商務(wù)系統(tǒng)規(guī)模的不斷擴(kuò)大，許多用戶向系統(tǒng)中注入大量虛假惡意信息的行為對(duì)推薦系統(tǒng)的安全性提出了嚴(yán)峻挑戰(zhàn)，協(xié)同過(guò)濾推薦算法如何在受到惡意數(shù)據(jù)攻擊的情況下得到可信推薦的問(wèn)題亟待解決。本文在對(duì)國(guó)內(nèi)外研究現(xiàn)狀綜合分析的基礎(chǔ)上，進(jìn)一步對(duì)個(gè)性化推薦算法的安全問(wèn)題進(jìn)行了深入研究。
　　首先，深入分析了現(xiàn)有攻擊數(shù)據(jù)

2、及其檢測(cè)算法的特征，針對(duì)現(xiàn)有的一些攻擊檢測(cè)算法存在的計(jì)算時(shí)間長(zhǎng)，精確度低的問(wèn)題，通過(guò)引入攻擊的時(shí)間集中性質(zhì)，提出一種基于正態(tài)云模型和時(shí)間集中性的可疑評(píng)分度量方法；在此基礎(chǔ)上，提出一種基于正態(tài)云模型的PCA攻擊檢測(cè)改進(jìn)算法，使其能夠提高算法的精確度和查全率，并進(jìn)行了實(shí)驗(yàn)驗(yàn)證。
　　其次，為了解決目前個(gè)性化推薦系統(tǒng)中的用戶可信度計(jì)算方法過(guò)于側(cè)重用戶的推薦歷史信息，忽略了用戶評(píng)分的真實(shí)程度而影響推薦精度的問(wèn)題，本文將用戶可信度分解為用戶

3、評(píng)分可信度和用戶推薦可信度兩部分，引入攻擊的時(shí)間集中性概念，并以正態(tài)云模型在定性知識(shí)表示及定性知識(shí)轉(zhuǎn)換時(shí)的橋梁作用和beta分布特征為基礎(chǔ)，分別提出了在攻擊檢測(cè)中計(jì)算用戶評(píng)分可信度的方法和基于beta分布的用戶推薦可信度計(jì)算方法。該方法可以使計(jì)算得出的用戶可信度更加準(zhǔn)確。
　　最后，在已有協(xié)同過(guò)濾算法的基礎(chǔ)上，將本文提出的用戶可信度的計(jì)算方法合理的應(yīng)用到推薦算法中，提出基于用戶可信度的可信個(gè)性化推薦算法以提高算法的可信度及抗攻擊能