推荐系统托攻击模型及检测技术.pdfVIP

2014 年 第 59 卷 第 7 期：551 ~ 560 《中国科学》杂志社 评 述 SCIENCE CHINA PRESS 推荐系统托攻击模型与检测技术 ① ② ①②* 伍之昂 , 王有权 , 曹杰 ① 南京财经大学江苏省电子商务重点实验室, 南京 210003; ② 南京理工大学计算机科学与工程学院, 南京 210094 * 联系人, E-mail: Jie.Cao@ 2013-01-30 投稿, 2013-04-23 接受 国家自然科学基金、国家科技支撑计划(2013BAH16F00)、江苏省属高校自然科学研究重大项目 (12KJA520001)、江苏高校优势学科建设工程和江苏省自然科学基金(BK2012863)资助 摘要 针对协同过滤根据近邻偏好产生推荐的特点, 恶意用户注入伪造用户模型成为正常 关键词 用户近邻, 推进或打压目标项目的推荐排名, 从而达到改变推荐系统结果, 这种攻击方法称 推荐系统 为“托攻击”. 本文综述了托攻击模型与检测技术的研究现状和面临的主要问题, 试图为这一 协同过滤 新兴的研究领域勾勒出较为全面清晰的概貌. 从推荐系统机理入手, 介绍托攻击产生动机、 托攻击模型 托攻击检测算法 概念、目的、评分向量构成和模型分类, 然后提出衡量托攻击对推荐系统危害性的两类指标; 接着讨论区分正常用户和托攻击用户的特征指标; 然后以机器学习角度分类为主线, 综述 3 类托攻击检测算法, 分析 3 类算法的利与弊, 并介绍用于评估托攻击检测算法的数据集、指 标和实验方法; 最后指出进一步的研究方向. 推荐系统是一种为用户提供建议的智能化软件 皮尔逊相关系数、Jacaard 系数等[6]. 这种朴素的预测 工具, 目前已被应用于电子商务、电影和视频网 方法给了恶意用户可乘之机, 恶意用户如果能伪造 站、音乐网络电台、社交网络、以及个性化阅读、邮 出与目标用户 U 相似的评分向量, 就能影响 U 的预 t t 件、广告等诸多领域[1]. 已有的推荐系统大多基于用 测评分, 恶意用户实施的这种攻击称为托攻击 户-项目矩阵进行推荐, 矩阵值 rmi 表示第 Um 个用户 (Shilling Attack). 对第Ii 个项目的评分值, 推荐系统的任务就是根据已 托攻击者通过伪造用户模型, 并使得伪造用户 知的用户-项目矩阵的部分值预测该矩阵的缺失值, 成为尽量多的正常用户的近邻, 由于协同过滤是基 推荐系统选择 N 个预测值最高的项目作为用户的推 于近邻的兴趣来推荐的, 所以, 托攻击者就能干预系 [7] 荐列表.