对抗推荐系统综述：从攻击/防御策略到生成对抗网络
信息检索
2020-11-11 v2 密码学与安全
机器学习
多媒体
摘要
基于协同过滤（CF）的隐因子模型（LFM），如矩阵分解（MF）与深度 CF 方法，因其优异的性能与推荐精度而被广泛应用于现代推荐系统（RS）中。然而，成功也伴随着一个重大新兴挑战：机器学习的许多应用本质上具有对抗性。近年来，研究表明这些方法易受对抗样本攻击，即经过精心设计的细微但非随机的扰动，用以迫使推荐模型产生错误输出。本综述的目标有二：（i）介绍面向 RS 安全性的对抗机器学习（AML）最新进展（即攻击与防御推荐模型）；（ii）展示 AML 在生成对抗网络（GANs）中用于生成任务的另一成功应用，这得益于其学习（高维）数据分布的能力。本综述对发表于主要 RS 与 ML 期刊及会议的 74 篇文章进行了详尽的文献回顾。该回顾可作为 RS 社区致力于 RS 安全性或使用 GANs 提升生成模型质量的参考。
引用
@article{arxiv.2005.10322,
title = {A survey on Adversarial Recommender Systems: from Attack/Defense strategies to Generative Adversarial Networks},
author = {Yashar Deldjoo and Tommaso Di Noia and Felice Antonio Merra},
journal= {arXiv preprint arXiv:2005.10322},
year = {2020}
}
备注
37 pages, submitted to journal