基于图嵌入和项目评分行为序列的群组攻击检测算法
这是一篇关于推荐系统,群组攻击,图嵌入,项目评分行为序列,聚类的论文, 主要内容为目前恶意用户对推荐系统的攻击由个体攻击逐渐趋向于群组攻击。相对个体攻击而言,群组攻击对推荐系统产生的危害更大。因此,如何有效检测群组攻击成为推荐系统中亟待解决的安全问题。为了检测推荐系统中的群组攻击,研究人员提出了基于有监督和无监督学习的检测方法。然而,有监督检测方法需要标记训练样本,因此只能检测已知类型攻击。无监督检测方法不需要标记训练样本,但是需要一定的先验知识。针对这些局限,本文研究基于图嵌入和项目评分行为序列的群组攻击检测算法。首先,针对现有算法侧重用户显性特征而忽略了隐性特征的问题,本文利用图嵌入方法来检测攻击群组。该算法通过利用用户显性特征构建用户关系图,在此基础上利用Node2vec模型自动学习用户隐性特征,生成用户潜在特征向量。利用k-means++聚类算法对用户特征向量进行聚类生成候选群组,提取攻击群组检测指标计算候选群组的可疑度,并根据可疑度利用层次聚类对群组进行聚类,筛选可疑度最大的一类作为攻击群组。其次,针对现有基于时间序列的算法不能有效地划分区间的问题,本文利用交叉划分区间的方法来生成高质量的候选群组。该算法通过对每个项目提取项目评分行为序列,并利用交叉划分方法划分评分行为区间作为候选群组,根据攻击群组评分极端的特性利用层次聚类筛选候选群组,并计算群组可疑度,再次使用K-means聚类确定攻击群组。最后,通过对Amazon数据集和Netflix数据集检测的结果表明,本文提出的算法可以有效地检测群组攻击行为。
基于图嵌入和项目评分行为序列的群组攻击检测算法
这是一篇关于推荐系统,群组攻击,图嵌入,项目评分行为序列,聚类的论文, 主要内容为目前恶意用户对推荐系统的攻击由个体攻击逐渐趋向于群组攻击。相对个体攻击而言,群组攻击对推荐系统产生的危害更大。因此,如何有效检测群组攻击成为推荐系统中亟待解决的安全问题。为了检测推荐系统中的群组攻击,研究人员提出了基于有监督和无监督学习的检测方法。然而,有监督检测方法需要标记训练样本,因此只能检测已知类型攻击。无监督检测方法不需要标记训练样本,但是需要一定的先验知识。针对这些局限,本文研究基于图嵌入和项目评分行为序列的群组攻击检测算法。首先,针对现有算法侧重用户显性特征而忽略了隐性特征的问题,本文利用图嵌入方法来检测攻击群组。该算法通过利用用户显性特征构建用户关系图,在此基础上利用Node2vec模型自动学习用户隐性特征,生成用户潜在特征向量。利用k-means++聚类算法对用户特征向量进行聚类生成候选群组,提取攻击群组检测指标计算候选群组的可疑度,并根据可疑度利用层次聚类对群组进行聚类,筛选可疑度最大的一类作为攻击群组。其次,针对现有基于时间序列的算法不能有效地划分区间的问题,本文利用交叉划分区间的方法来生成高质量的候选群组。该算法通过对每个项目提取项目评分行为序列,并利用交叉划分方法划分评分行为区间作为候选群组,根据攻击群组评分极端的特性利用层次聚类筛选候选群组,并计算群组可疑度,再次使用K-means聚类确定攻击群组。最后,通过对Amazon数据集和Netflix数据集检测的结果表明,本文提出的算法可以有效地检测群组攻击行为。
推荐系统中基于张量的群组攻击检测算法研究
这是一篇关于推荐系统,群组攻击,最大密度子张量挖掘,卷积神经网络,特征金字塔网络的论文, 主要内容为推荐系统已经成功应用于电子商务等领域,有效解决了网络中的信息过载问题。但是一些商家为了达到盈利的目的,会向推荐系统中注入大量虚假用户概貌,以改变目标商品被推荐的概率,破坏了推荐系统的公平性。近年来,推荐系统中的攻击行为逐渐发展为具有合谋性的群组攻击。与传统攻击方式相比,群组攻击具有强隐蔽性和攻击性的特点,严重影响了推荐结果的准确性。因此,如何准确检测出群组攻击行为,是当前推荐系统领域的关键问题。针对上述问题,本文从群组攻击的本质特征出发,进行了深入研究。首先,针对现有群组攻击检测方法检测精度偏低的问题,本文综合考虑攻击群组对目标项目评分时间集中性和评分分数相似性的特点,提出一种基于最大密度子张量挖掘的群组攻击检测算法。该算法对每个项目的评分时间序列划分时间窗口,并建立三维张量数据模型,构成项目张量组;使用M-Zoom模型挖掘每个项目的最大密度子张量,从中筛选出行为一致性较高的子张量用户作为候选群组;提取攻击群组特征,并利用聚类方法得到攻击群组。其次,针对现有群组攻击检测方法主要依赖人工特征检测攻击用户的问题,本文设计一种双输入卷积神经网络模型作为特征提取器,自动提取用户深层特征。该算法在构造每个用户的项目流行评分矩阵和关联矩阵的基础上,通过融合卷积神经网络和特征金字塔网络的深度学习模型分别提取两个矩阵的多尺度特征;将两个多尺度特征拼接得到融合特征,并根据融合特征进行分类得到群组攻击用户。最后,分析了两种检测算法在Netflix以及Amazon数据集上的实验结果,通过对比现有的检测方法,证明了本文提出算法的有效性。
基于用户评分偏移度和时间序列的群组攻击检测
这是一篇关于协同过滤推荐系统,多维用户评分偏移度,群组攻击,时间序列的论文, 主要内容为随着信息时代的到来,导致数据量不断增大,这样人们就需要花费大量的时间去筛选有用信息,这种现象就是“信息过载”。协同过滤推荐系统在很大程度上缓解了“信息过载”现象,但是由于其自身的开放性,使其在受到攻击时呈现出脆弱性导致推荐结果不准确。灰色组织的攻击具有一定的策略性,可以在短时间内改变推荐结果。因此,如何有效识别群组攻击,成为了急需解决的问题。本文从用户评分偏移与时间序列的角度入手,对群组攻击检测问题进行深入研究。本文主要内容如下。首先,针对现有的检测算法不能有效排除流行项目的干扰。本文提出一种基于用户评分偏移度的群组检测算法,算法中提出了两个新的群组攻击特征。利用k-means聚类算法分别根据两个群组攻击用户特征进行聚类,生成两个候选可疑群组,取两个候选群组的交集为可疑用户群组。根据群组攻击特征计算用户可疑度,并对可疑群组内用户进行可疑度排序。其次,传统的利用时间序列的检测算法,利用项目在一定时间内的评分数来进行序列构建,无法有效过滤掉目标项下的正常用户且无法有效分组攻击用户。本文提出一种基于时间序列的群组攻击检测算法,该算法构建项目时间序列并划分时间窗口,通过计算窗口评分占比和每个项目的评分熵,结合项目评分熵与窗口评分占比的乘积检测出群组攻击概貌。最后,在MovieLens100k、Netflix以及Amazon数据集上进行实验,验证本文所提群组攻击检测算法的有效性。
推荐系统中基于目标项目识别的群组攻击检测算法
这是一篇关于推荐系统,目标项目,群组攻击,特征提取的论文, 主要内容为互联网普及化为人们的生活与出行带来了便利,但是,互联网中存在着大量信息,人们花费大量的时间对这些信息进行筛选,以便获得自己想要的信息,这种现象被称为信息过载,为了解决这一现象,推荐系统应运而生。但是由于推荐系统的开放性,很多恶意用户为了达到自己的目的,向推荐系统中注入大量虚假数据,使推荐结果发生改变,严重的破坏了推荐系统的稳定性。许多专家学者针对此问题提出了一些解决方案。然而,随着攻击方式逐渐向有组织的群组攻击方式转变,现有的方法不能很好的针对群组攻击进行检测。针对这一问题,本文针对群组攻击检测进行了深入的研究,并且提出了两种基于目标项目识别的群组攻击检测算法。首先,从时间角度对目标项目评分情况进行分析,采用半监督算法对目标项目进行识别。对于每一个项目,都进行项目时间序列的划分,提取可疑项目及时间区间集合。通过对可疑项目特征的计算和半监督分类过程,识别目标项目,进而得到攻击群组。其次,通过对用户评分行为进行分析,结合用户与项目之间评分情况对群组攻击检测进行研究。通过提取攻击用户特征,聚类得出可疑用户集合,并构建用户评分矩阵,根据矩阵中项目被评分情况计算项目可疑度,对可疑度进行排序得出用户可疑度,进而得出攻击群组。论文的最后,通过分别在Amazon、Netflix、MovieLens数据集上进行实验,将本文提出的两种算法的结果与已有算法进行比对,验证算法的有效性。
推荐系统中基于稠密子图挖掘的群组攻击检测方法研究
这是一篇关于推荐系统,群组攻击,稠密子图挖掘,PPR种子扩展算法,派系过滤算法的论文, 主要内容为推荐系统在提供精准个性化服务的同时,容易受到恶意用户的攻击。一些组织在利益的驱动下,通常向推荐系统中注入欺诈概貌,对目标项目进行吹捧或者打压。这种群体攻击行为比个体攻击行为对推荐系统造成的危害更大。如何高效检测对推荐系统安全性造成严重破坏的群组欺诈攻击,是当前需要急迫解决的问题。国内外研究者通过提出基于有监督和无监督的检测群组攻击方法,降低了群组攻击对推荐系统的影响。但是,有监督检测方法通常需要标记用户对模型进行训练,根据训练结果进行群组分类,该检测效果强依赖于标记的用户和训练器的选择。无监督检测方法虽然不要求训练样本带有标签,但是需要足够的先验知识。针对这些检测方法的局限性,本文根据网络结构特性提出基于稠密子图挖掘的群组攻击检测方法。首先,针对目前基于图模型的相关检测方法,存在划分的子图结构稀疏的问题。本文提出一种基于三角稠密子图挖掘的群组攻击检测方法。该方法通过分析数据集中用户的评分数据,提取相应的评分时间和评分信息,建立用户之间的关联关系,进而构建用户关系图。利用改进的三角稠密子图挖掘方法并结合Personalize Page Rank种子扩展算法,对稠密子图中的节点进行扩展,查找候选群组。根据群组检测指标计算每个候选群组的可疑度,从而得到攻击群组。其次,针对目前基于社区发现的相关检测方法,通常疏忽了群体之间的拓扑结构关系问题。本文提出一种基于派系过滤的群组攻击检测方法。该方法通过引入产品怀疑度,分析项目受欢迎度得到被攻击的概率,找到用户之间相似关系进而构建用户关系图。利用派系过滤算法找到连接密集且结构为3-clique的社团。从群组行为特点和群组网络结构特点两个角度提取检测指标,衡量每个候选群组的可疑度,生成攻击群组列表。最后,在Amazon和Yelp数据集上对本文所提出的方法进行实验,并将实验结果与已有的检测群组攻击方法作对比,验证两种检测方法的有效性。
基于用户评分偏移度和时间序列的群组攻击检测
这是一篇关于协同过滤推荐系统,多维用户评分偏移度,群组攻击,时间序列的论文, 主要内容为随着信息时代的到来,导致数据量不断增大,这样人们就需要花费大量的时间去筛选有用信息,这种现象就是“信息过载”。协同过滤推荐系统在很大程度上缓解了“信息过载”现象,但是由于其自身的开放性,使其在受到攻击时呈现出脆弱性导致推荐结果不准确。灰色组织的攻击具有一定的策略性,可以在短时间内改变推荐结果。因此,如何有效识别群组攻击,成为了急需解决的问题。本文从用户评分偏移与时间序列的角度入手,对群组攻击检测问题进行深入研究。本文主要内容如下。首先,针对现有的检测算法不能有效排除流行项目的干扰。本文提出一种基于用户评分偏移度的群组检测算法,算法中提出了两个新的群组攻击特征。利用k-means聚类算法分别根据两个群组攻击用户特征进行聚类,生成两个候选可疑群组,取两个候选群组的交集为可疑用户群组。根据群组攻击特征计算用户可疑度,并对可疑群组内用户进行可疑度排序。其次,传统的利用时间序列的检测算法,利用项目在一定时间内的评分数来进行序列构建,无法有效过滤掉目标项下的正常用户且无法有效分组攻击用户。本文提出一种基于时间序列的群组攻击检测算法,该算法构建项目时间序列并划分时间窗口,通过计算窗口评分占比和每个项目的评分熵,结合项目评分熵与窗口评分占比的乘积检测出群组攻击概貌。最后,在MovieLens100k、Netflix以及Amazon数据集上进行实验,验证本文所提群组攻击检测算法的有效性。
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：源码码头网 ，原文地址：https://m.bishedaima.com/lunwen/56338.html
