基于攻擊用戶(hù)識(shí)別和貝葉斯概率矩陣分解的魯棒推薦算法.pdf

1、隨著大數(shù)據(jù)時(shí)代的到來(lái)和電子商務(wù)的發(fā)展，協(xié)同過(guò)濾推薦系統(tǒng)以其個(gè)性化的推薦優(yōu)勢(shì)正逐漸滲透人們的生活。但是由于推薦系統(tǒng)的開(kāi)放性，容易招致惡意用戶(hù)向推薦系統(tǒng)中注入攻擊概貌以改變推薦結(jié)果，這嚴(yán)重影響了推薦系統(tǒng)的安全性。本文針對(duì)這個(gè)問(wèn)題提出了一種魯棒推薦算法，用于提高推薦系統(tǒng)的魯棒性，同時(shí)保證推薦精準(zhǔn)度。具體研究?jī)?nèi)容如下。
　　首先，針對(duì)推薦系統(tǒng)中惡意攻擊用戶(hù)的存在影響推薦系統(tǒng)魯棒性的問(wèn)題，提出了一種嫌疑用戶(hù)聚類(lèi)算法，該算法從項(xiàng)目流行度入手，

2、引入了用戶(hù)平均評(píng)分流行度的概念，并基于此概念重新定義了用戶(hù)之間距離的計(jì)算公式。該算法目的是將嫌疑用戶(hù)聚集到一類(lèi)，方便攻擊用戶(hù)的識(shí)別。
　　其次，針對(duì)嫌疑用戶(hù)聚類(lèi)算法中存在的真實(shí)用戶(hù)誤判問(wèn)題，由于真實(shí)用戶(hù)誤判會(huì)影響推薦系統(tǒng)的推薦精準(zhǔn)度，所以提出了一種基于嫌疑用戶(hù)聚類(lèi)和目標(biāo)項(xiàng)目識(shí)別的攻擊用戶(hù)識(shí)別方法，在嫌疑攻擊類(lèi)中進(jìn)一步準(zhǔn)確識(shí)別并標(biāo)記攻擊用戶(hù)。該算法首先識(shí)別目標(biāo)項(xiàng)目，然后在嫌疑攻擊類(lèi)中識(shí)別并標(biāo)記攻擊用戶(hù)，目的是減小真實(shí)用戶(hù)誤判率，保障

3、推薦系統(tǒng)的推薦精準(zhǔn)度。
　　然后，針對(duì)推薦算法低魯棒性的問(wèn)題，將攻擊用戶(hù)識(shí)別標(biāo)記結(jié)果與貝葉斯概率矩陣分解模型結(jié)合，形成基于攻擊用戶(hù)識(shí)別和貝葉斯概率矩陣分解的魯棒推薦算法。該算法在模型的學(xué)習(xí)過(guò)程中屏蔽被標(biāo)記的攻擊用戶(hù)對(duì)目標(biāo)項(xiàng)目的評(píng)分，目的是在保證推薦精準(zhǔn)度的同時(shí)提高推薦系統(tǒng)的魯棒性。
　　最后利用MovieLens100K數(shù)據(jù)集在MatLab實(shí)驗(yàn)平臺(tái)上模擬仿真實(shí)驗(yàn)，并與一些經(jīng)典魯棒推薦算法作對(duì)比分析。實(shí)驗(yàn)結(jié)果表明，本文算法可以