基于影响函数的 Top-N 推荐系统数据投毒攻击

推荐系统是 web 服务中用于吸引用户的 essential 组件。流行的推荐系统利用大量众包用户-物品交互数据（例如评分）对用户偏好与物品属性建模；然后将与用户偏好最匹配的 top-$N$ 物品推荐给用户。在本工作中，我们展示攻击者可通过注入具有精心构造用户-物品交互数据的虚假用户，对推荐系统发起数据投毒攻击，使其按攻击者意图进行推荐。具体地，攻击者可使推荐系统将目标物品推荐给尽可能多的正常用户。我们聚焦于基于矩阵分解的推荐系统，因其已在工业界广泛部署。给定攻击者能注入的虚假用户数量，我们将虚假用户评分分数的构造表述为一个优化问题。然而，该优化问题难以求解，因其是一个非凸整数规划问题。为应对该挑战，我们开发了若干技术以近似求解该优化问题。例如，我们利用影响函数筛选对推荐有影响力的正常用户子集，并基于这些有影响力用户求解我们所表述的优化问题。我们的结果表明，我们的攻击是有效的且优于现有方法。