基于仿生模式识别的未知推荐攻击检测

针对已有检测方法不能有效地检测未知推荐攻击的问题,提出了一种基于仿生模式识别(bionic pattern recognition)的检测方法.首先,依据项目流行度划分项目到不同的窗口,把用户对窗口内项目的评分视为随机事件发生.在此基础上,利用信息熵(information entropy)提取评分分布特征作为检测推荐攻击的通用特征.然后,在特征空间中,利用仿生模式识别技术覆盖真实概貌样本,将覆盖范围外的测试数据判为推荐攻击.在Movie Lens数据集上进行实验,结果表明,该方法在检测未知推荐攻击时具有较高的命中率和较低的误报率.

基于多维风险因子的推荐攻击检测方法

针对现有推荐攻击检测方法对真实概貌误判率较高的问题,提出一种基于多维风险因子的推荐攻击检测方法.首先,引入时间间隔可疑度、风险反馈、惩罚函数和用户评分活跃度等多个风险因子,从多个角度推理和评估用户评分行为的风险值;然后,在多维风险因子的融合计算过程中,利用信息熵理论确立风险因子的分类权重,以提高风险评估的准确性;最后,根据用户评分行为风险评估值的加权和检测出相应的攻击概貌.在Movie Lens真实数据集上实验结果表明,所提出的检测方法能够在保持较高召回率的条件下有效提高推荐攻击检测的准确率.

一种利用半监督Fisher判别分析检测推荐攻击的方法

协同推荐系统容易受到推荐攻击,为了检测该攻击,很多无监督、有监督及半监督检测方法被提出,其中,半监督检测方法的优势在于可以利用无标签用户概貌提升检测性能.然而,已有半监督检测方法的准确率较低,针对该问题,本文提出一种基于半监督Fisher判别分析(Semi-supervised Fisher Discriminant Analysis,SFDA)的推荐攻击检测方法RAD-SFDA来提升半监督检测方法的准确率.首先,利用Fisher判别分析(Fisher Discriminant Analysis,FDA)技术结合有标签用户概貌确定投影向量,在投影后的空间中最大化真实概貌和攻击概貌的离散度的同时最小化同类用户概貌间的离散度;然后,利用主元分析(Principal Components Analysis,PCA)技术从有标签和无标签用户概貌建立的数据集中提取全局结构;最后,综合上述由有标签用户概貌确定的判别结构和由所有用户概貌确定的全局结构确定最佳投影向量,在最终的投影空间中训练贝叶斯分类器检测推荐攻击.在MovieLens数据集上的实验结果表明,本文方法在保持较高召回率的前提下有效提升了准确率.

基于时间SFM因子的推荐系统攻击检测方法

从用户评价行为的时间属性——评价间隔时间入手,提出一种基于时间SFM因子的推荐攻击检测方法,通过仿真实验证明了时间SFM因子的可检测性及其阻止攻击目标项进入用户TopN推荐列表中的有效性.