基于雙重過濾攻擊檢測的魯棒推薦算法.pdf

1、推薦系統(tǒng)的開放性給推薦系統(tǒng)平臺(tái)帶來了巨大的挑戰(zhàn)，比如某些有預(yù)謀的組織會(huì)進(jìn)行針對(duì)性的攻擊行動(dòng)，通過向推薦系統(tǒng)輸入對(duì)攻擊者有利的評(píng)分?jǐn)?shù)據(jù)來讓推薦結(jié)果產(chǎn)生偏差，滿足自己的利益而破壞推薦系統(tǒng)。攻擊用戶使用不同的組織策略從而產(chǎn)生不同的攻擊模型，這些攻擊模型里面通常含有目標(biāo)項(xiàng)目和一些填充項(xiàng)目，通常而言正常用戶只會(huì)根據(jù)自己的喜愛來評(píng)價(jià)自己購買的商品，而且不會(huì)惡意評(píng)價(jià)。這里存在兩種思路來屏蔽攻擊概貌對(duì)推薦結(jié)果的干擾：一種是提高推薦系統(tǒng)自我抗攻擊能力，在

2、推薦算法基礎(chǔ)上提高其魯棒性；另一種是通過概貌注入攻擊檢測識(shí)別并屏蔽攻擊概貌來提高推薦魯棒性。
　　針對(duì)攻擊模型降低推薦系統(tǒng)魯棒性和準(zhǔn)確度的問題，本文提出一種基于雙重過濾攻擊檢測的魯棒推薦算法。
　　首先，根據(jù)攻擊概貌用戶高相關(guān)性和正常用戶低相關(guān)性的特征，采用主成分分析技術(shù)進(jìn)行協(xié)方差計(jì)算，將低協(xié)方差數(shù)據(jù)的用戶標(biāo)記成疑似攻擊用戶，標(biāo)記范圍要適當(dāng)擴(kuò)大攻擊規(guī)模的過濾范圍，從而劃分得出疑似攻擊用戶序列和正常用戶序列。
　　其次，

3、由于極少數(shù)的攻擊用戶混入正常用戶序列里面，所以要在第一次過濾的疑似攻擊用戶里面找到正常用戶并進(jìn)行過濾。根據(jù)正常用戶和攻擊用戶評(píng)分習(xí)慣的不同，采用評(píng)分背離度指標(biāo)進(jìn)行計(jì)算，按適當(dāng)比例雙重過濾出疑似攻擊用戶和正常用戶，并將疑似攻擊用戶判定為攻擊用戶。
　　最后，對(duì)稀疏數(shù)據(jù)進(jìn)行矩陣分解，借助隨機(jī)梯度下降學(xué)習(xí)，在學(xué)習(xí)過程中，屏蔽那些被判定為攻擊用戶的干擾，使其不參與推薦，進(jìn)一步保證了推薦系統(tǒng)的準(zhǔn)確度，同時(shí)提高了推薦系統(tǒng)的抗攻擊能力，即魯棒性