通过复制跨域用户画像攻击黑盒推荐系统

近来，旨在为用户在线推荐个性化物品列表的推荐系统引起了大量关注。事实上，许多最先进的（SOTA）技术都是基于深度学习的。近期研究表明，这些深度学习模型（尤其是推荐系统）易受诸如数据投毒等攻击，后者通过生成用户来推广选定的一组物品。然而，近期已开发出防御策略以检测这些具有伪造画像的生成用户。因此，在基于深度学习的推荐系统领域中，创建更“真实”的用户画像以推广一组物品的进阶注入攻击仍是一项关键挑战。在这项工作中，我们提出框架 CopyAttack，这是一种基于强化学习的黑盒攻击方法，它通过从源域复制真实用户画像到目标域来推广物品子集。CopyAttack 被构建为高效且有效地学习策略梯度网络，其首先选择、进而细化/伪造源域用户画像，最终复制到目标域。CopyAttack 的目标是在目标域用户的 Top-$k$ 推荐列表中最大化目标物品的命中率。我们在两个真实世界数据集上进行了实验，并从经验上验证了所提框架的有效性，且进一步开展了详尽的模型分析。