基于仿生模式识别的用户概貌攻击集成检测方法

针对有监督方法在检测用户概貌攻击时准确率不高的问题,通过引入仿生模式识别理论和集成学习技术提出一种集成检测方法.首先,通过计算被覆盖直线段与最近邻真实概貌的距离,提出一种自适应神经元超球半径计算算法,为每个神经元确定合适的超球半径;然后利用该超球半径对现有的一个3层神经网络进行重新设计,使其能够对攻击概貌样本进行更合理覆盖,以提高分类性能;最后,提出一种用户概貌攻击集成检测框架,通过组合多种攻击类型,利用提出的基训练集生成算法建立不同的基训练集,以训练新设计的神经网络生成基分类器,基于信息论得分(information theoretic score,ITS)算法提出一种选择性集成检测算法对基分类器进行筛选,并采用多数投票策略融合基分类器的输出结果.在MovieLens和Netflix两个不同规模的真实数据集上的实验结果表明,所提出的集成检测方法能够在保持较高召回率的条件下有效提高用户概貌攻击检测的准确率.

基于目标项目识别的用户概貌攻击检测算法

为了准确检测协同过滤推荐系统中的用户概貌注入攻击,从攻击的目的性考虑,通过对攻击概貌中目标项目与填充项目之间的特征差异进行分析,提出一种项目评分背离度的计算方法;利用项目评分背离度来确定受攻击的目标项目,并在此基础上提出一种基于目标项目识别的用户概貌注入攻击检测算法.实验结果表明,该算法进一步提高了攻击检测的精度,确保了系统推荐的质量.

基于SVM和粗糙集理论的用户概貌攻击检测方法

针对现有用户概貌攻击检测算法存在准确率不高的问题,提出一种基于SVM和粗糙集理论的用户概貌攻击检测方法.首先,基于项目类别提出一种特征提取方法;然后,结合所提特征与已有特征分别联合填充规模后通过SVM进行二分类检测,再把各个特征检测结果合并构成信息表;最后,利用粗糙集理论生成的决策规则对信息表进行决策,得到最终的检测结果.实验结果表明,本文提出的方法有效提高了攻击检测的准确率.

基于局部密度的用户概貌攻击检测算法

针对现有的用户概貌攻击检测算法在检测模糊攻击时精确度不高的问题,本文提出一种基于局部密度的用户概貌攻击检测算法.首先,利用LOF离群点检测算法为每个用户计算局部离群因子,得到用户的局部离群程度;然后,结合攻击用户对目标项目的评分与真实用户评分之间的差异,进一步确定目标项目及攻击目的,最终给出目标项目所对应的攻击概貌.实验结果表明,该算法无论是针对标准攻击还是模糊攻击,均具有较高的检测精度.

基于语义事务信息聚类的用户概貌构建

为了揭示用户的访问模式,对传统的基于聚类技术构建用户概貌方法进行了研究,同时引入语义事务分析的观点,提出一种基于潜在语义模型构建用户概貌的方法。通过语义分析中的奇异值分解(SVD)算法,将构建的用户会话-浏览页面矩阵向量空间投影到潜在语义向量空间;利用扩展的K-means聚类算法,对潜在语义向量空间聚类生成用户会话聚类;计算浏览页面均值向量,构建以加权浏览页面集表示的用户概貌;最后采用加权平均访问百分比(WAVP)方法评价构建的用户概貌,表明了该方法的有效性。

基于多目标项目检索的无监督用户概貌攻击检测算法

为了解决现有的用户概貌攻击检测算法不能对多个受攻击项目同时进行检测的问题,提出一种基于多目标项目检索的无监督用户概貌攻击检测算法.首先,利用双聚类中的Hv-score度量方法,得到对攻击检测有价值的用户概貌集合;然后,在该集合上检索可疑的目标项目,动态生成目标项目树;最后,根据项目的联合评分偏离度,确定受攻击的目标项目并检测出相应的攻击概貌.实验结果表明,该算法无论是检测目标项目还是攻击概貌,均具有较高的精确度.

面向决策支持的个人助手Agent用户概貌构建方法研究

个人助手Agent的特性决定了其在个性化决策支持中发挥着越来越重要作用.重点研究了构建面向决策支持的个人助手Agent的基础———用户概貌的形式化表示和构建方法,提出了一种加权的层次化用户概貌表示方法和多阶段用户概貌构建方法,在用户概貌的构建中重点研究了用户概貌中的核心内容———用户偏好的获取方法.

Web网络用户兴趣关联系统的设计

在信息过载的环境下,Web用户要想获取感兴趣的信息,往往比较困难。协同过滤推荐的核心点在于基于相似性算法为同类兴趣的用户推送相似资源。文中设计了一种基于协同过滤推荐原理的用户兴趣关联系统,为Web用户主动推荐兴趣信息,这有利于解决电子商务环境中的信息过载问题。该系统基于Java MVC和Flex结合的总体架构,设计了兴趣关联处理流程和业务处理流程,研究了一种能够将业务逻辑自动装配的核心架构,提出了兴趣数据的切面和侧面关系数据库表示模型。最后简要介绍了实现技术。

Internet个性化信息服务研究综述

Internet个性化信息服务是在Internet“信息爆炸”的背景下“信息过载”和“信息迷航”问题的解决方案,Internet个性化信息服务将是未来信息服务的主流模式。该文对其研究的基本问题和所用的关键技术进行了详细的分析,并对其发展前景进行了展望。

基于统计过程控制的协同推荐攻击检测方法

针对恶意攻击者利用协同推荐系统用户偏好敏感的缺陷向系统中注入虚假数据破坏推荐结果真实性的问题,提出基于统计过程控制(SPC)的协同推荐攻击检测方法。该方法将用户概貌项目评价数偏离度作为服务质量控制属性构建休哈特控制图,利用判异规则检测攻击用户,从而完善协同推荐系统模型。实验证明这种检测方法对各种不同的攻击模型都有较高的检测准确率和查全率。

推荐系统研究综述

推荐系统已经成为用户和网络应用软件交互的一个重要部分,特别是推动了电子商务的发展。商家已经意识到为了增加销售额和防止客户流失需要开发出具有个性化和可适应的推荐系统。同样,网络上的用户依靠这样的推荐系统在巨大的信息空间中可更有效地找到自己感兴趣的项目。提供了推荐问题的简洁描述,并概述了产生推荐的各种方法及发展趋势。

安全推荐系统中基于信任的检测模型

在网格环境中,推荐系统通过提供高品质的个性化推荐,帮助网格用户选择更好的服务。另外,推荐系统也应用于虚拟机管理平台来评估虚拟机的性能和可靠性。然而,推荐结果对用户偏好信息的敏感性使得推荐系统易受到人为攻击(用户概貌注入攻击或托攻击)。本文中,我们提出并评估了一种新的基于信任的安全检测算法以保护推荐系统抵御用户概貌注入攻击。并且,我们分别在用户级和项目级上讨论了信任检测与RDMA检测的结合。最后,我们通过试验表明这些新的安全检测机制可以取得更好的检测精度。