基于SVD的协同过滤算法的欺诈攻击行为分析.pdfVIP

92 2009，45(20) ComputerEngineeringandApplications计算机工程与应用 基于SVD的协同过滤算法的欺诈攻击行为分析 徐 翔，王煦法 XU Xiang，WANG Xu—fa 中国科学技术大学 计算机科学与技术系，合肥 230027 DepartmentofComputerScienceandTechnology，UniversityofScienceandTechnologyofChina，Hefei230027，China E-mail：xuustc@gmail．corn XU Xiang，W ANG Xu-fa．Analysisofshillingattackson SVD-based collaborative~teringalgorithm．Computer Engineering andApplications，2009，45(20)：92-95． Abstract：Collaborativefiltering isavitalcentraltechnoloyg in personalized recommendation，butitisSO sensitive touserpro— files，thatshillingattackerscaneasilyinjectbiasedprofilesinanattempttoforceasystem toadaptinamanneradvantageous tOthem．Recentresearch showsthatthemodeland thecostofshillingattackshave differentimpactsO11atatck performance．This paperanalyzestheattackeffectivenessofdifferentattackmodelson aSVD-based collaborativefilteringalgorithm，and theperfor- mancesofattackmodelswithdifferentfiU sizesandattack sizesusingthreeevaluationparameters． Keywords：collbaorative ltering；rec0mmendersystems；shillingattacks；SingularValueDec0mp0siti0n(SVD) 摘 要：协同过滤是一种个性化推荐系统最常用的技术，但它对用户概貌信息较为敏感，欺诈攻击者很容易通过注入有偏差的用 户概貌使系统的推荐结果有利于他们。研究表明欺诈攻击的攻击模型、攻击成本对攻击性能有不同程度的影响。针对这个问题，实 验分析基于奇异值分解SVD)的协同过滤算法在不同攻击模型下的性能表现，并以三种评估参数分析不同填充规模和攻击规模 对攻击效率的影响。 关键词：协同过滤；推荐系统；欺诈攻击；奇异值分解 DOI：10．3778~．issn．1002—8331．2009．20．028 文章编号：1002—8331(2009)20—0092—04 文献标识码：A 中图分类号：TP393 1 引言 估参数分析不同填充规模和攻击规模的攻击用户概貌对攻击 协同过滤算法是目前个性化推荐系统最常用的一种推荐 效果的影响。 算法，被广泛应用于电子商务。但电子商务竞争中经常出现一 些不法用户为维护 自身利益，向推荐系统中输入大量伪造评分 2 基于SVD的协同过滤算法 数据，人为干预推荐系统的结果，导致系统的准确率下降。因此 基于SVD的协同过滤算法由Sarwarm等人首次应用于协 协同过滤系统的攻击行为研究日渐成为一个重要课题 ，是电子 同过滤推荐 中，他使用SVD方法将用户评分分解为不同的特 商务推荐系统安全应用的关键。 征及这些特征对应的重要程度，利用用户与项目之问潜在的关 目前协同过滤算法主要分为三类：基于用户ll【(user-based) 系 ，用初始评分矩阵的奇异值分解去抽取一些本质的特征。 SVD是矩阵维数简化的一种常用方法，它将一个mxrt的矩阵 的算法 、基于项 目re(item—based)的算法和基于模型t