评估用户-物品协同攻击对用户类别的影响

协同过滤（CF）模型因其顶尖的准确性而成为大多数推荐系统的核心。它们因对销量和/或多样性的影响，以及对公司业绩的作用，被普遍应用于电子商务和在线服务中。然而，CF模型的好坏取决于其使用的交互数据。由于这些模型依赖外部信息来源，攻击者可以注入诸如用户评分或评论等伪造数据，以操纵底层数据并改变最终推荐的影响，从而实施所谓的托攻击（shilling attack）。以往的工作侧重于从全局视角评估托攻击策略，特别关注攻击规模和攻击者知识的影响，而在这项工作中，我们则从新颖的角度探索托攻击的有效性。首先，我们研究针对目标用户精心设计的攻击策略的效果，旨在将低排名物品的推荐推至更高位置，这被称为用户-物品攻击。其次，我们通过考量目标用户的类别，从其画像丰富度（即冷启动用户与活跃用户）的视角，评估攻击在改变不同CF模型影响方面的有效性。最后，与先前工作类似，我们在检验攻击成功与否时也考虑了攻击规模（即注入的虚假画像数量）。在商业和电影领域两个广泛使用的数据集（即Yelp和MovieLens）上的实验结果表明，活跃用户和冷启动用户在不同特征的数据集中表现出截然不同的行为。