隨著電子商務(wù)零售業(yè)的迅猛發(fā)展和社交網(wǎng)絡(luò)營(yíng)銷的興起，以用戶間社交關(guān)系作為額外輸入的社會(huì)化推薦系統(tǒng)成為新的研究方向。社會(huì)化推薦系統(tǒng)基于社交關(guān)系體現(xiàn)用戶間相似性這一假設(shè)，對(duì)解決傳統(tǒng)推薦系統(tǒng)中存在的冷啟動(dòng)問(wèn)題和提高推薦結(jié)果的準(zhǔn)確性具有重要作用。但社會(huì)化推薦系統(tǒng)天然開(kāi)放性的特點(diǎn)，使其容易受到托攻擊者注入虛假欺騙信息（虛假評(píng)分或虛假關(guān)系等）的影響。此類攻擊稱為“托攻擊”，托攻擊嚴(yán)重影響了推薦結(jié)果的公正性和真實(shí)性，降低了用戶對(duì)系統(tǒng)的信任度。
　　社會(huì)化推薦系統(tǒng)可以看成傳統(tǒng)推薦系統(tǒng)與在線社交網(wǎng)絡(luò)結(jié)合的產(chǎn)物�，F(xiàn)有研究大多關(guān)注評(píng)分驅(qū)動(dòng)的推薦系統(tǒng)或關(guān)系驅(qū)動(dòng)的社交網(wǎng)絡(luò)中托攻擊的檢測(cè)問(wèn)題，而較少關(guān)注同時(shí)受評(píng)分和關(guān)系驅(qū)動(dòng)的社會(huì)化推薦系統(tǒng)可能受到的攻擊形式與檢測(cè)手段。針對(duì)現(xiàn)有研究的不足，本書(shū)首先對(duì)社會(huì)化推薦系統(tǒng)中的托攻擊者的行為方式進(jìn)行建模，然后提出用于檢測(cè)推薦系統(tǒng)與社交網(wǎng)絡(luò)中虛假欺騙信息的特征提取方法，進(jìn)而得到社會(huì)化推薦系統(tǒng)中的托攻擊檢測(cè)技術(shù)。本書(shū)分別從以下幾個(gè)方面展開(kāi)研究。
　　（1）構(gòu)建面向社會(huì)化推薦系統(tǒng)的托攻擊模型，并從攻擊成本與攻擊效果角度對(duì)所提模型進(jìn)行分析。托攻擊模型是托攻擊者向系統(tǒng)注入虛假用戶概貌的手段。通過(guò)分析現(xiàn)有社會(huì)化推薦技術(shù)的工作原理，歸納出托攻擊者可能的攻擊形式，從而提出托攻擊模型。然后分析攻擊模型對(duì)推薦結(jié)果的影響，得到所提托攻擊模型對(duì)社會(huì)化推薦系統(tǒng)的攻擊效果。
　　（2）針對(duì)評(píng)分驅(qū)動(dòng)的推薦系統(tǒng)中的托攻擊問(wèn)題，提出一種基于流行度分類特征的托攻擊檢測(cè)方法。推薦系統(tǒng)中托攻擊者通過(guò)注入虛假評(píng)分影響推薦結(jié)果，傳統(tǒng)方法大多從托攻擊者的評(píng)分方式入手，此類方法難以對(duì)新形式攻擊進(jìn)行檢測(cè)。為了解決這個(gè)問(wèn)題，從托攻擊者與正常用戶不同的項(xiàng)目選擇行為入手，分析用戶概貌中項(xiàng)目流行度分布存在的差異，得到用于檢測(cè)推薦系統(tǒng)托攻擊的特征提取方法，最后結(jié)合分類器對(duì)推薦系統(tǒng)中的托攻擊進(jìn)行檢測(cè)。
　�。�3）針對(duì)關(guān)系驅(qū)動(dòng)的社交網(wǎng)絡(luò)中的托攻擊問(wèn)題，提出一種基于拉普拉斯得分的托攻擊檢測(cè)方法。社交網(wǎng)絡(luò)中托攻擊者通過(guò)注入虛假關(guān)系提升自己的影響力，從而達(dá)到傳播虛假信息的目的�，F(xiàn)有方法在訓(xùn)練模型時(shí)使用的特征維度較高，造成檢測(cè)準(zhǔn)確性不足。為了解決這個(gè)問(wèn)題，提出無(wú)監(jiān)督的特征選擇方法，該方法通過(guò)拉普拉斯得分衡量特征的局部信息保持能力，以進(jìn)行特征選擇。在此基礎(chǔ)上，結(jié)合半監(jiān)督學(xué)習(xí)方法對(duì)社交網(wǎng)絡(luò)中的托攻擊進(jìn)行檢測(cè)。
　�。�4）面向社會(huì)化推薦系統(tǒng)中的托攻擊檢測(cè)問(wèn)題，提出一種基于半監(jiān)督協(xié)同訓(xùn)練的社會(huì)化推薦系統(tǒng)托攻擊檢測(cè)方法。社會(huì)化推薦系統(tǒng)中的用戶包括評(píng)分特征與關(guān)系特征，因此可以利用推薦系統(tǒng)與社交網(wǎng)絡(luò)中檢測(cè)托攻擊的特征提取方法，得到用戶評(píng)分視圖與關(guān)系視圖的特征。同時(shí)考慮到系統(tǒng)中標(biāo)簽不足的問(wèn)題，將半監(jiān)督協(xié)同訓(xùn)練算法用于模型構(gòu)建，在兩個(gè)獨(dú)立的特征子圖上分別訓(xùn)練分類器，從而對(duì)社會(huì)化推薦系統(tǒng)中的托攻擊進(jìn)行檢測(cè)。
　　本書(shū)受國(guó)家自然科學(xué)基金“基于用戶可信度的抗托攻擊協(xié)同過(guò)濾推薦機(jī)理研究”（項(xiàng)目編號(hào)：71102065）、重慶市前沿與應(yīng)用基礎(chǔ)研究計(jì)劃“基于多維社交關(guān)系挖掘的抗干擾社會(huì)化推薦研究”（項(xiàng)目編號(hào)：CSTS2015JCYJA40049）、中國(guó)博士后基金“基于虛假用戶群體特征的抗托攻擊協(xié)同過(guò)濾關(guān)鍵技術(shù)研究”（項(xiàng)目編號(hào)：2012M521680）、中央高校基金“多視圖協(xié)同訓(xùn)練的托攻擊檢測(cè)研究”（項(xiàng)目編號(hào)：106112014CDJZR095502）等項(xiàng)目的資助，在此表示感謝。
　　限于本書(shū)作者的學(xué)識(shí)水平，書(shū)中不足之處在所難免，懇請(qǐng)讀者批評(píng)指正。
查看全部↓