面向鲁棒推荐系统的三重协同防御

推荐系统常易受精心伪造的虚假用户档案攻击，导致有偏推荐。推荐系统的广泛应用使得研究抵御攻击的防御手段成为必要。在现有防御方法中，基于数据处理的方法不可避免地排除正常样本，而基于模型的方法难以兼顾泛化性与鲁棒性。考虑到上述局限，我们建议将数据处理与鲁棒模型相融合，并提出一个通用框架——三重协同防御（TCD），通过三个模型的协同训练来合作提升模型鲁棒性。具体而言，在每轮训练中，我们依次使用任意两个模型的高置信度预测评分（一致评分）作为剩余模型的辅助训练数据，三个模型协同提升推荐鲁棒性。值得注意的是，TCD 是添加伪标签数据而非删除异常数据，从而避免了对正常数据的清洗，且三模型的协同训练也有利于模型泛化。通过在三个真实数据集上针对五种投毒攻击的大量实验，结果表明 TCD 的鲁棒性提升显著优于基线。值得一提的是，TCD 亦有益于模型泛化。