协同过滤推荐系统中的异常画像检测
信息检索
2015-06-24 v3
摘要
个性化协同过滤推荐系统（CFRSs）是流行电子商务服务的核心组件。在实践中，由于其开放性，CFRSs也特别容易受到“shilling”攻击或“画像注入（profile injection）”攻击。攻击者可以精心向CFRSs中注入选定的攻击画像，以使推荐结果偏向其利益。为降低此风险，人们提出了各种检测技术来检测此类攻击，这些技术利用从用户画像中提取的多样化特征。然而，依赖有限的特征来提升检测性能似乎很困难，因为现有特征无法充分刻画攻击画像与真实画像。本文提出一种新颖的检测方法，使推荐系统能够抵御“shilling”攻击或“画像注入”攻击。现有特征可简要归纳为两方面：基于评分行为的与基于物品分布的。我们首先利用最小二乘近似解，将问题表述为寻找评分行为与物品分布之间的映射模型。基于训练好的模型，我们采用回归器设计了一个检测器来检测此类攻击。在MovieLens-100K和MovieLens-ml-latest-small两个数据集上的大量实验检验了我们所提检测方法的有效性。实验结果验证了我们的方法优于包括KNN在内的基准方法。
引用
@article{arxiv.1506.05752,
title = {Detecting Abnormal Profiles in Collaborative Filtering Recommender Systems},
author = {Zhihai Yang},
journal= {arXiv preprint arXiv:1506.05752},
year = {2015}
}
备注
13 pages, 7 figures. arXiv admin note: text overlap with arXiv:1506.04584, arXiv:1506.05247