基于引导扩散的视觉感知推荐系统对抗性物品推广

视觉感知推荐系统已广泛应用于视觉元素显著影响用户潜在偏好推断的领域。虽然视觉信息的加入有望提高推荐准确性并缓解冷启动问题，但必须指出，物品图像的引入可能带来重大的安全挑战。一些现有工作表明，物品提供者可以通过构建对抗性图像来操纵物品曝光率以获取利益。然而，这些工作无法揭示视觉感知推荐系统的真实脆弱性，因为：(1)生成的对抗性图像明显失真，容易被人类观察者检测到；(2)攻击的有效性不一致，在某些场景下甚至无效。为了揭示视觉感知推荐系统在面对对抗性图像时的真实脆弱性，本文引入了一种新的攻击方法IPDGI（通过扩散生成图像进行物品推广）。具体来说，IPDGI采用引导扩散模型生成旨在欺骗视觉感知推荐系统的对抗样本。利用扩散模型对良性图像分布进行精确建模的优势，生成的对抗性图像与原始图像具有高保真度，确保了IPDGI的隐蔽性。为了证明所提方法的有效性，我们在两个常用的电子商务推荐数据集（Amazon Beauty和Amazon Baby）上使用几种典型的视觉感知推荐系统进行了大量实验。实验结果表明，我们的攻击方法在提升长尾（即不受欢迎）物品的性能和生成对抗性图像的质量方面都有显著提升。