推荐系统中虚假评价用户识别方法研究
这是一篇关于推荐系统,托攻击,概貌注入攻击,攻击检测,矩阵补全的论文, 主要内容为推荐系统也称个性化推荐系统,协同过滤推荐、基于内容的推荐和组合推荐是主流的推荐算法。协同过滤推荐系统的开放性和交互特性在保证了推荐结果准确性的同时也使其容易受到外部攻击的影响。攻击用户以非法牟利为目的,通过注入虚假的用户概貌信息,试图改变系统的推荐结果,这类攻击称之为托攻击或概貌注入攻击。研究表明伪造的用户概貌文件很容易操纵协同过滤推荐结果,进而导致用户对推荐结果满意度降低。托攻击的检测已成为推荐系统领域研究的热点问题。本文主要验证了托攻击用户对推荐系统推荐结果的影响,并对协同过滤推荐系统中虚假评分用户,即托攻击用户的识别问题进行了研究。首先,本文实验验证了常见的托攻击模型对基于用户和基于项目的协同过滤推荐结果准确性的影响。其次,针对现有的托攻击分类属性对托攻击用户和正常用户区分度不高的问题,提出用户流行度均值分类特征有效区分真实用户概貌和虚假用户概貌;提出项目均值偏差特征有效区分普通项目和攻击项目,有效检测推荐系统中被攻击的目标项目集合;针对现有的有监督攻击检测算法检测率不高的问题,本文引入区分系数概念,采用动态特征选取的方式,设计了一种减少误判的基于动态特征选择的托攻击检测框架;该框架通过分类属性的动态选择和检测结果的进一步过滤审查,可以有效提高系统中托攻击用户的检测率。最后,针对推荐系统中存在的自然噪声和更复杂的托攻击类型,本文通过引进近邻算子和矩阵补全技术,设计了一种融合先验知识和L2,1范数正则化的矩阵补全模型,利用基于线性Bregman迭代的优化算法求解上述模型,提出了基于L2,1范数正则化矩阵补全的托攻击检测算法。为了验证提出的两种托攻击检测算法的有效性,本文选用稀疏度不同的数据集对托攻击检测算法进行了实验验证,并与其他算法进行了对比。实验结果表明,本文提出的基于动态特征选择的托攻击检测算法可以有效检测简单类型的托攻击概貌模型,检测效果明显优于对比算法;提出的基于L2,1范数正则化矩阵补全的托攻击检测算法不仅可以有效检测各种托攻击类型,而且可以有效检测系统中存在的更为复杂的托攻击模型和自然噪声。
基于时间序列的托攻击检测方法研究
这是一篇关于推荐系统,托攻击,动态时间间隔,T分布,潜在特征的论文, 主要内容为如今,科技进步导致网上的信息数据成倍增加,这给用户对于大量信息的选择造成了麻烦。推荐系统的出现缓解了这个麻烦。面对繁多的信息和数据,它能够实现帮助用户筛选自己感兴趣的信息,摆脱大量数据对用户造成的困扰。然而,虽然推荐系统的出现带来便利,但是传统的协同过滤推荐算法由于严重的依赖用户外在行为信息而暴露了很多安全漏洞,一些不良商家通过注入大量有偏见的用户评分来人为的控制推荐结果,这种行为即为托攻击。托攻击对推荐系统造成了很大危害,对真实用户的利益造成了严重影响。本文对托攻击展开了研究,提出基于时间序列的托攻击检测方法。本文主要研究成果如下:(1)提出一种基于T分布和动态时间间隔的托攻击检测方法。该方法首先基于动态时间间隔算法将物品的评分历史划分为多个时间窗口;其次,T分布被采用目的是计算窗口间的属性是否一致;进一步,通过分析每个窗口与其他窗口的T值,时间差和评分动作数量来识别异常窗口;最后,通过分析每个异常窗口的评分动作和异常窗口中所有评分动作均值的关系,检测出异常评分行为。(2)提出一种基于用户评分历史和潜在特征的神经网络托攻击检测方法。首先,该方法分析用户评分历史,提出托攻击评分快速性的特征指标;并采用多层感知机和广义矩阵分解模型学习用户和物品之间的潜在特征;然后,设计神经网络模型将潜在特征和托攻击特征融合在一起,在训练集上进行学习,最后,输出测试集结果,并分析模型的性能。(3)通过大量的实验,将本文的方法与已有相关方法进行比较和分析,实验结果表明本文提出的方法的优越性。
基于时间序列的鲁棒推荐算法研究
这是一篇关于托攻击,时间序列,鲁棒推荐,多尺度熵的论文, 主要内容为互联网的快速发展和普及,使得信息量呈爆发式增长,为了使用户快速获得感兴趣的项目,此时推荐系统应运而生并被广泛应用。然而,由于推荐系统的开放性,恶意用户可以注入虚假评分信息来操纵推荐结果,这类行为通常被称为托攻击或概貌文件注入攻击,并在推荐系统中泛滥使用。因此,如何及时有效地对攻击进行检测以及构建一个能抵御托攻击的鲁棒推荐系统,成为当前的研究热点。现有的鲁棒推荐系统大都没有考虑用户的评分时间信息,忽略了托攻击本身的时序特征,本文利用推荐系统中的评分时间信息和时间序列分析技术,从项目评分时间序列和用户评分时间序列的角度,分别提出了一种托攻击检测算法,并与隐语义模型结合提出了一种基于时间序列和隐语义模型的鲁棒推荐算法,在进行推荐之前对用户进行检测,降低可疑用户对推荐系统评分的影响,提升推荐系统的鲁棒性。本文所做的主要工作如下:(1)通过分析正常用户和攻击用户在项目评分上的差异,本文提出一种基于项目时间序列的托攻击检测算法。首先在考虑了托攻击的评分特性后,利用滑动窗口生成的子序列,计算子序列中当前评分与之前评分均值的差作为时间序列的特征;其次将Gath-Geva聚类算法进行了改进,将评分时间也作为变量进行聚类从而检测出攻击概貌;最后,通过计算用户评分中攻击概貌的比例,过滤掉部分正常用户概貌文件,得到可疑用户概貌文件集。在MovieLens数据集和DouBan数据集上的实验表明,该方法可以有效提高检测的精度,尤其是面对小规模攻击时,能取得更好的检测效果。(2)通过分析托攻击的攻击模式和正常用户的评分模式,本文发现正常用户和托攻击用户的用户评分时间序列在复杂性上存在明显差异,结合推荐系统中评分时间序列的特性,提出了一种非等间隔时间序列的多尺度熵及其相似度计算方法,根据用户个人评分时间序列多尺度熵和总体的多尺度熵的差异,实现对可疑用户和正常用户的区分,并完成托攻击的检测。在MovieLens数据集和DouBan数据集上的实验表明,该方法能够有效检测出托攻击用户。(3)本文在隐语义模型的基础上,利用项目用户评分时间序列提出了用户可疑度,利用用户评分时间序列构造用户相似度矩阵,与用户-项目特征矩阵相结合,得到了一种鲁棒推荐算法。在MovieLens数据集和DouBan数据集上的实验表明,该算法能够有效抵御托攻击。本文共有图15幅,表8个,参考文献81篇。
基于时间序列的鲁棒推荐算法研究
这是一篇关于托攻击,时间序列,鲁棒推荐,多尺度熵的论文, 主要内容为互联网的快速发展和普及,使得信息量呈爆发式增长,为了使用户快速获得感兴趣的项目,此时推荐系统应运而生并被广泛应用。然而,由于推荐系统的开放性,恶意用户可以注入虚假评分信息来操纵推荐结果,这类行为通常被称为托攻击或概貌文件注入攻击,并在推荐系统中泛滥使用。因此,如何及时有效地对攻击进行检测以及构建一个能抵御托攻击的鲁棒推荐系统,成为当前的研究热点。现有的鲁棒推荐系统大都没有考虑用户的评分时间信息,忽略了托攻击本身的时序特征,本文利用推荐系统中的评分时间信息和时间序列分析技术,从项目评分时间序列和用户评分时间序列的角度,分别提出了一种托攻击检测算法,并与隐语义模型结合提出了一种基于时间序列和隐语义模型的鲁棒推荐算法,在进行推荐之前对用户进行检测,降低可疑用户对推荐系统评分的影响,提升推荐系统的鲁棒性。本文所做的主要工作如下:(1)通过分析正常用户和攻击用户在项目评分上的差异,本文提出一种基于项目时间序列的托攻击检测算法。首先在考虑了托攻击的评分特性后,利用滑动窗口生成的子序列,计算子序列中当前评分与之前评分均值的差作为时间序列的特征;其次将Gath-Geva聚类算法进行了改进,将评分时间也作为变量进行聚类从而检测出攻击概貌;最后,通过计算用户评分中攻击概貌的比例,过滤掉部分正常用户概貌文件,得到可疑用户概貌文件集。在MovieLens数据集和DouBan数据集上的实验表明,该方法可以有效提高检测的精度,尤其是面对小规模攻击时,能取得更好的检测效果。(2)通过分析托攻击的攻击模式和正常用户的评分模式,本文发现正常用户和托攻击用户的用户评分时间序列在复杂性上存在明显差异,结合推荐系统中评分时间序列的特性,提出了一种非等间隔时间序列的多尺度熵及其相似度计算方法,根据用户个人评分时间序列多尺度熵和总体的多尺度熵的差异,实现对可疑用户和正常用户的区分,并完成托攻击的检测。在MovieLens数据集和DouBan数据集上的实验表明,该方法能够有效检测出托攻击用户。(3)本文在隐语义模型的基础上,利用项目用户评分时间序列提出了用户可疑度,利用用户评分时间序列构造用户相似度矩阵,与用户-项目特征矩阵相结合,得到了一种鲁棒推荐算法。在MovieLens数据集和DouBan数据集上的实验表明,该算法能够有效抵御托攻击。本文共有图15幅,表8个,参考文献81篇。
基于时间序列的托攻击检测方法研究
这是一篇关于推荐系统,托攻击,动态时间间隔,T分布,潜在特征的论文, 主要内容为如今,科技进步导致网上的信息数据成倍增加,这给用户对于大量信息的选择造成了麻烦。推荐系统的出现缓解了这个麻烦。面对繁多的信息和数据,它能够实现帮助用户筛选自己感兴趣的信息,摆脱大量数据对用户造成的困扰。然而,虽然推荐系统的出现带来便利,但是传统的协同过滤推荐算法由于严重的依赖用户外在行为信息而暴露了很多安全漏洞,一些不良商家通过注入大量有偏见的用户评分来人为的控制推荐结果,这种行为即为托攻击。托攻击对推荐系统造成了很大危害,对真实用户的利益造成了严重影响。本文对托攻击展开了研究,提出基于时间序列的托攻击检测方法。本文主要研究成果如下:(1)提出一种基于T分布和动态时间间隔的托攻击检测方法。该方法首先基于动态时间间隔算法将物品的评分历史划分为多个时间窗口;其次,T分布被采用目的是计算窗口间的属性是否一致;进一步,通过分析每个窗口与其他窗口的T值,时间差和评分动作数量来识别异常窗口;最后,通过分析每个异常窗口的评分动作和异常窗口中所有评分动作均值的关系,检测出异常评分行为。(2)提出一种基于用户评分历史和潜在特征的神经网络托攻击检测方法。首先,该方法分析用户评分历史,提出托攻击评分快速性的特征指标;并采用多层感知机和广义矩阵分解模型学习用户和物品之间的潜在特征;然后,设计神经网络模型将潜在特征和托攻击特征融合在一起,在训练集上进行学习,最后,输出测试集结果,并分析模型的性能。(3)通过大量的实验,将本文的方法与已有相关方法进行比较和分析,实验结果表明本文提出的方法的优越性。
基于时间序列的鲁棒推荐算法研究
这是一篇关于托攻击,时间序列,鲁棒推荐,多尺度熵的论文, 主要内容为互联网的快速发展和普及,使得信息量呈爆发式增长,为了使用户快速获得感兴趣的项目,此时推荐系统应运而生并被广泛应用。然而,由于推荐系统的开放性,恶意用户可以注入虚假评分信息来操纵推荐结果,这类行为通常被称为托攻击或概貌文件注入攻击,并在推荐系统中泛滥使用。因此,如何及时有效地对攻击进行检测以及构建一个能抵御托攻击的鲁棒推荐系统,成为当前的研究热点。现有的鲁棒推荐系统大都没有考虑用户的评分时间信息,忽略了托攻击本身的时序特征,本文利用推荐系统中的评分时间信息和时间序列分析技术,从项目评分时间序列和用户评分时间序列的角度,分别提出了一种托攻击检测算法,并与隐语义模型结合提出了一种基于时间序列和隐语义模型的鲁棒推荐算法,在进行推荐之前对用户进行检测,降低可疑用户对推荐系统评分的影响,提升推荐系统的鲁棒性。本文所做的主要工作如下:(1)通过分析正常用户和攻击用户在项目评分上的差异,本文提出一种基于项目时间序列的托攻击检测算法。首先在考虑了托攻击的评分特性后,利用滑动窗口生成的子序列,计算子序列中当前评分与之前评分均值的差作为时间序列的特征;其次将Gath-Geva聚类算法进行了改进,将评分时间也作为变量进行聚类从而检测出攻击概貌;最后,通过计算用户评分中攻击概貌的比例,过滤掉部分正常用户概貌文件,得到可疑用户概貌文件集。在MovieLens数据集和DouBan数据集上的实验表明,该方法可以有效提高检测的精度,尤其是面对小规模攻击时,能取得更好的检测效果。(2)通过分析托攻击的攻击模式和正常用户的评分模式,本文发现正常用户和托攻击用户的用户评分时间序列在复杂性上存在明显差异,结合推荐系统中评分时间序列的特性,提出了一种非等间隔时间序列的多尺度熵及其相似度计算方法,根据用户个人评分时间序列多尺度熵和总体的多尺度熵的差异,实现对可疑用户和正常用户的区分,并完成托攻击的检测。在MovieLens数据集和DouBan数据集上的实验表明,该方法能够有效检测出托攻击用户。(3)本文在隐语义模型的基础上,利用项目用户评分时间序列提出了用户可疑度,利用用户评分时间序列构造用户相似度矩阵,与用户-项目特征矩阵相结合,得到了一种鲁棒推荐算法。在MovieLens数据集和DouBan数据集上的实验表明,该算法能够有效抵御托攻击。本文共有图15幅,表8个,参考文献81篇。
推荐系统中虚假评价用户识别方法研究
这是一篇关于推荐系统,托攻击,概貌注入攻击,攻击检测,矩阵补全的论文, 主要内容为推荐系统也称个性化推荐系统,协同过滤推荐、基于内容的推荐和组合推荐是主流的推荐算法。协同过滤推荐系统的开放性和交互特性在保证了推荐结果准确性的同时也使其容易受到外部攻击的影响。攻击用户以非法牟利为目的,通过注入虚假的用户概貌信息,试图改变系统的推荐结果,这类攻击称之为托攻击或概貌注入攻击。研究表明伪造的用户概貌文件很容易操纵协同过滤推荐结果,进而导致用户对推荐结果满意度降低。托攻击的检测已成为推荐系统领域研究的热点问题。本文主要验证了托攻击用户对推荐系统推荐结果的影响,并对协同过滤推荐系统中虚假评分用户,即托攻击用户的识别问题进行了研究。首先,本文实验验证了常见的托攻击模型对基于用户和基于项目的协同过滤推荐结果准确性的影响。其次,针对现有的托攻击分类属性对托攻击用户和正常用户区分度不高的问题,提出用户流行度均值分类特征有效区分真实用户概貌和虚假用户概貌;提出项目均值偏差特征有效区分普通项目和攻击项目,有效检测推荐系统中被攻击的目标项目集合;针对现有的有监督攻击检测算法检测率不高的问题,本文引入区分系数概念,采用动态特征选取的方式,设计了一种减少误判的基于动态特征选择的托攻击检测框架;该框架通过分类属性的动态选择和检测结果的进一步过滤审查,可以有效提高系统中托攻击用户的检测率。最后,针对推荐系统中存在的自然噪声和更复杂的托攻击类型,本文通过引进近邻算子和矩阵补全技术,设计了一种融合先验知识和L2,1范数正则化的矩阵补全模型,利用基于线性Bregman迭代的优化算法求解上述模型,提出了基于L2,1范数正则化矩阵补全的托攻击检测算法。为了验证提出的两种托攻击检测算法的有效性,本文选用稀疏度不同的数据集对托攻击检测算法进行了实验验证,并与其他算法进行了对比。实验结果表明,本文提出的基于动态特征选择的托攻击检测算法可以有效检测简单类型的托攻击概貌模型,检测效果明显优于对比算法;提出的基于L2,1范数正则化矩阵补全的托攻击检测算法不仅可以有效检测各种托攻击类型,而且可以有效检测系统中存在的更为复杂的托攻击模型和自然噪声。
推荐系统中虚假评价用户识别方法研究
这是一篇关于推荐系统,托攻击,概貌注入攻击,攻击检测,矩阵补全的论文, 主要内容为推荐系统也称个性化推荐系统,协同过滤推荐、基于内容的推荐和组合推荐是主流的推荐算法。协同过滤推荐系统的开放性和交互特性在保证了推荐结果准确性的同时也使其容易受到外部攻击的影响。攻击用户以非法牟利为目的,通过注入虚假的用户概貌信息,试图改变系统的推荐结果,这类攻击称之为托攻击或概貌注入攻击。研究表明伪造的用户概貌文件很容易操纵协同过滤推荐结果,进而导致用户对推荐结果满意度降低。托攻击的检测已成为推荐系统领域研究的热点问题。本文主要验证了托攻击用户对推荐系统推荐结果的影响,并对协同过滤推荐系统中虚假评分用户,即托攻击用户的识别问题进行了研究。首先,本文实验验证了常见的托攻击模型对基于用户和基于项目的协同过滤推荐结果准确性的影响。其次,针对现有的托攻击分类属性对托攻击用户和正常用户区分度不高的问题,提出用户流行度均值分类特征有效区分真实用户概貌和虚假用户概貌;提出项目均值偏差特征有效区分普通项目和攻击项目,有效检测推荐系统中被攻击的目标项目集合;针对现有的有监督攻击检测算法检测率不高的问题,本文引入区分系数概念,采用动态特征选取的方式,设计了一种减少误判的基于动态特征选择的托攻击检测框架;该框架通过分类属性的动态选择和检测结果的进一步过滤审查,可以有效提高系统中托攻击用户的检测率。最后,针对推荐系统中存在的自然噪声和更复杂的托攻击类型,本文通过引进近邻算子和矩阵补全技术,设计了一种融合先验知识和L2,1范数正则化的矩阵补全模型,利用基于线性Bregman迭代的优化算法求解上述模型,提出了基于L2,1范数正则化矩阵补全的托攻击检测算法。为了验证提出的两种托攻击检测算法的有效性,本文选用稀疏度不同的数据集对托攻击检测算法进行了实验验证,并与其他算法进行了对比。实验结果表明,本文提出的基于动态特征选择的托攻击检测算法可以有效检测简单类型的托攻击概貌模型,检测效果明显优于对比算法;提出的基于L2,1范数正则化矩阵补全的托攻击检测算法不仅可以有效检测各种托攻击类型,而且可以有效检测系统中存在的更为复杂的托攻击模型和自然噪声。
基于集成优化的协同过滤推荐算法研究与实现
这是一篇关于协同过滤,集成优化,托攻击,信任关系,推荐系统的论文, 主要内容为随着互联网不断融入到社会经济和日常生活中,人们已习惯于进行各种在线信息查询和交互行为(如数据检索、信息查询、网络购物、社交、导航等),网络数据、信息的数量及其应用飞速增长,导致如何在海量信息中,准确、快速获得所需要的信息成为近年来的研究热点。其中,各类推荐系统作为一种解决该问题的有效方法,尤其是协同过滤算法,已经取得了不少的研究成果并被广泛应用。然而,相关算法在稀疏性、冷启动、抵御托攻击等方面,仍存在一定不足和改进余地。为此,本文基于相关技术的发展,针对如何有效解决托攻击问题和进一步提高协同过滤算法性能两个方面开展研究和分析,提出了一种集成优化的协同过滤算法,来进一步提高协同过滤算法的推荐性能。首先,对基于概貌属性和基于时序特征的托攻击检测方法进行研究分析,以此为基础,给出了一种融合上述两种方法的托攻击联合检测与过滤方法,并对其进行了验证,可以实现有效的托攻击检测过滤,将存在异常评分的污染数据集,转换成纯净数据集,提供给协同过滤算法,提高算法的推荐性能。其次,深入研究分析了协同过滤算法的研究成果,并针对其不足研究分析了多种可以用于进一步优化的技术。然后,以“结合信任关系的用户聚类协同过滤推荐算法”为基础,对其逐步进行优化和验证,提出了集成优化的协同过滤算法,经过验证,该算法可以较好地解决稀疏性、冷启动、托攻击等问题,提高项目推荐的准确性和完整性。第三,将本文算法与传统协同过滤算法以及其他文献中的算法在Movielens数据集上进行对比试验,结果表明,本文算法的效果更佳。最后,为对上述研究成果予以验证和应用,以电影推荐系统为案例,给出了系统的设计方案,并实现了该系统的各项功能。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码驿站 ，原文地址：https://m.bishedaima.com/lunwen/49264.html
