推荐系统中托攻击防御方法研究

《推荐系统中托攻击防御方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号：UDC：密级：学校代号：巡学号：2111105067广东工业大学硕士学位论文(工程硕士)推荐系统中托攻击防御方法研究牛晓龙指导教师姓名、职称：郝查坚塾拯学科(专业)或领域名称：盐篡扭垫盔学生所属学院：过篡扭堂院论文答辩日期：三Q二四生五旦ADissertationSubmittedtoGuangdongUniversityofTechnologyfortheDegreeofMaster(MasterofEngineering)ResearchonthedefenseofShillingattackinRecommendationsystemCandidate：NiuX

2、iaolongSupervisor：Prof．HaoZhifengMay2014SchoolofComputersGuangdongUniversityofTechnologyGuangzhou，Guangdong，P．R．China，510006摘要伴随互联网的普及与电子商务的快速发展，信息数据量以指数级别增长的同时带来了“信息过载”问题。推荐算法通过数据挖掘、机器学习等方式挖掘海量信息中能够帮助电子商务网站为其客户提供符合个性化需求的决策支撑和信息服务，一定程度上有效的缓解了海量数据问题。但系统自身的公开性、推荐算法本身存在的设计缺陷以及用户的介入性导致系统容易遭受恶意干

3、扰、蓄意攻击等操纵行为。因此，安全性成为推荐系统的关键问题。通常将有目的去伪造、更改评分数据的恶意操作称为用户概貌注入攻击或者托攻击。传统的协同过滤技术已然无法满足推荐系统对高安全性、防御性、准确性等推荐可靠性要求。部分商家向推荐系统中恶意注入攻击用户概貌，对推荐系统结果进行人为干预企图谋取私利。这些恶意操作行为严重危害了推荐系统的安全性。如何检测出托攻击并采取有效的方法来防御托攻击刻不容缓，已成为该领域专家学者重要研究问题。相似度度量是协同过滤算法的核心模块，但易于遭受推荐攻击问题。近年来，信誉模型被融合到推荐流程中，加强协同过滤算法的鲁棒性和推荐精确性。基于目前研究趋势，

4、本文提出了两种改进方法提高推荐系统的防御能力。本文主要创新改进内容如下：(1)基于信息熵相似度的托攻击防御方法在协同过滤相关理论的基础上，针对当前相似度度量方法仅考虑评分矩阵数据的局限性，本文提出信息熵来度量正常用户与恶意用户间评分变化幅度差异。融合信息熵模型作为度量相似度的影响因子，弥补了系统遭受攻击时仅依靠传统相似度不足以区分恶意用户的缺陷性。在皮尔森相关系数基础上，本文提出一种改进的相似度度量方法(E．CF)，结合评分变化幅度差异降低注入用户概貌的相似性。实验结果表明，E。CF客观地反映托攻击情况下系统防御性增强，并提高了算法精确性。(2)融合信任更新机制的防攻击推荐算

5、法研究随着社交网络研究的飞速发展，信任关系网络被广泛应用到个性化推荐算法研究中。考虑到推荐用户在过去的推荐历史中所起到的作用也是一个重要的推荐依据因素，即推荐用户的信任度，引入信任更新机制。通过融合信任度和相似度，建立复合推荐权重模型(TE．CF)，以真实评分反馈为手段动态更新复合权重，降低攻击用户概貌对推广东工业大学硕士学位论文荐结果的影响。实验结果表明，TE．CF客观地反映攻击情况下系统防御性增强，并提高了算法精确性。基于目前研究现状，本文提出两种托攻击防御解决方案。最后，与现有算法进行实验验证和对比分析，并提出进一步研究内容。关键词：协同过滤；托攻击；评分变化幅度；复合

6、权重；脆弱性IIABSTRACTWiththerapiddevelopmentoftheInternetandE-commerce，theinformationincreasesexponentially，andbringsalongwiththeproblemof“informationoverload”．Byusingthedatamining，machinelearningandSOonmethodstoexploitthemassiveinformationonthee。commercesites，recommendationalgorithmcanofferpers

7、onalizeddecisionsupportandinformationservicestoitscustomers，andeffectivelyalleviatetheinformationoverloadproblem。Butduetotheopennessofthesystem，theparticipationoftheusersandtheinherentdesigndeficienciesofrecommendationalgorithmmakethesystemvulnerabletoma