针对推荐系统目标用户攻击的提升建模
信息检索
2024-03-06 v1
摘要
推荐系统易受注入攻击，即向平台注入有限的虚假用户以操纵目标物品对所有用户的曝光。在这项工作中，我们指出传统的注入攻击者忽视了一个事实：每个物品都有其独特的潜在受众，同时针对不同用户的攻击难度各不相同。盲目攻击所有用户会导致虚假用户预算的浪费和攻击性能的下降。为解决这些问题，我们关注一个尚未充分探索的攻击任务，称为目标用户攻击，旨在向特定用户群体推广目标物品。此外，我们通过因果视角将变化的攻击难度公式化为异质处理效应，并提出了一种提升引导的预算分配（UBA）框架。UBA 估计每个目标用户的处理效应，并优化虚假用户预算的分配以最大化攻击性能。理论和实证分析证明了 UBA 处理效应估计方法的合理性。通过在多个攻击者实例化 UBA，我们在三个数据集上进行了广泛实验，设置了不同的目标物品、目标用户、虚假用户预算、受害模型和防御模型，验证了 UBA 的有效性和鲁棒性。
引用
@article{arxiv.2403.02692,
title = {Uplift Modeling for Target User Attacks on Recommender Systems},
author = {Wenjie Wang and Changsheng Wang and Fuli Feng and Wentao Shi and Daizong Ding and Tat-Seng Chua},
journal= {arXiv preprint arXiv:2403.02692},
year = {2024}
}
备注
Accepted by WWW'24 as an oral paper