社會化推薦利用社交關系緩解基于評分驅(qū)動的推薦系統(tǒng)中存在的稀疏性與冷啟動等問題，然而推薦系統(tǒng)開放性的特點使其易受托攻擊的嚴重影響。托攻擊者通過注入虛假信息操縱推薦結(jié)果，影響推薦系統(tǒng)的公正性。針對此問題，《面向社會化推薦的托攻擊及檢測研究》完成四方面工作：一是分析社會化推薦中可能的托攻擊形式，提出托攻擊模型；二是在檢測注入評分的攻擊時，從選擇行為分析入手，提出基于流行度的分類特征；三是在檢測注入關系的攻擊者時，使用基于拉普拉斯的特征提取方法，對用戶的高維特征進行無監(jiān)督提取；四是在評分與關系特征上分別訓練分類器，基于半監(jiān)督協(xié)同訓練實現(xiàn)社會化推薦中的托攻擊檢測。
《面向社會化推薦的托攻擊及檢測研究》適合作為相關專業(yè)研究生、本科生及業(yè)界人員的參考書。
隨著電子商務零售業(yè)的迅猛發(fā)展和社交網(wǎng)絡營銷的興起，以用戶間社交關系作為額外輸入的社會化推薦系統(tǒng)成為新的研究方向。社會化推薦系統(tǒng)基于社交關系體現(xiàn)用戶間相似性這一假設，對解決傳統(tǒng)推薦系統(tǒng)中存在的冷啟動問題和提高推薦結(jié)果的準確性具有重要作用。但社會化推薦系統(tǒng)天然開放性的特點，使其容易受到托攻擊者注入虛假欺騙信息（虛假評分或虛假關系等）的影響。此類攻擊稱為“托攻擊”，托攻擊嚴重影響了推薦結(jié)果的公正性和真實性，降低了用戶對系統(tǒng)的信任度。
社會化推薦系統(tǒng)可以看成傳統(tǒng)推薦系統(tǒng)與在線社交網(wǎng)絡結(jié)合的產(chǎn)物。現(xiàn)有研究大多關注評分驅(qū)動的推薦系統(tǒng)或關系驅(qū)動的社交網(wǎng)絡中托攻擊的檢測問題，而較少關注同時受評分和關系驅(qū)動的社會化推薦系統(tǒng)可能受到的攻擊形式與檢測手段。針對現(xiàn)有研究的不足，本書首先對社會化推薦系統(tǒng)中的托攻擊者的行為方式進行建模，然后提出用于檢測推薦系統(tǒng)與社交網(wǎng)絡中虛假欺騙信息的特征提取方法，進而得到社會化推薦系統(tǒng)中的托攻擊檢測技術。本書分別從以下幾個方面展開研究。
（1）構(gòu)建面向社會化推薦系統(tǒng)的托攻擊模型，并從攻擊成本與攻擊效果角度對所提模型進行分析。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。通過分析現(xiàn)有社會化推薦技術的工作原理，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推薦結(jié)果的影響，得到所提托攻擊模型對社會化推薦系統(tǒng)的攻擊效果。
�。�2）針對評分驅(qū)動的推薦系統(tǒng)中的托攻擊問題，提出一種基于流行度分類特征的托攻擊檢測方法。推薦系統(tǒng)中托攻擊者通過注入虛假評分影響推薦結(jié)果，傳統(tǒng)方法大多從托攻擊者的評分方式入手，此類方法難以對新形式攻擊進行檢測。為了解決這個問題，從托攻擊者與正常用戶不同的項目選擇行為入手，分析用戶概貌中項目流行度分布存在的差異，得到用于檢測推薦系統(tǒng)托攻擊的特征提取方法，最后結(jié)合分類器對推薦系統(tǒng)中的托攻擊進行檢測。
�。�3）針對關系驅(qū)動的社交網(wǎng)絡中的托攻擊問題，提出一種基于拉普拉斯得分的托攻擊檢測方法。社交網(wǎng)絡中托攻擊者通過注入虛假關系提升自己的影響力，從而達到傳播虛假信息的目的�，F(xiàn)有方法在訓練模型時使用的特征維度較高，造成檢測準確性不足。為了解決這個問題，提出無監(jiān)督的特征選擇方法，該方法通過拉普拉斯得分衡量特征的局部信息保持能力，以進行特征選擇。在此基礎上，結(jié)合半監(jiān)督學習方法對社交網(wǎng)絡中的托攻擊進行檢測。
�。�4）面向社會化推薦系統(tǒng)中的托攻擊檢測問題，提出一種基于半監(jiān)督協(xié)同訓練的社會化推薦系統(tǒng)托攻擊檢測方法。社會化推薦系統(tǒng)中的用戶包括評分特征與關系特征，因此可以利用推薦系統(tǒng)與社交網(wǎng)絡中檢測托攻擊的特征提取方法，得到用戶評分視圖與關系視圖的特征。同時考慮到系統(tǒng)中標簽不足的問題，將半監(jiān)督協(xié)同訓練算法用于模型構(gòu)建，在兩個獨立的特征子圖上分別訓練分類器，從而對社會化推薦系統(tǒng)中的托攻擊進行檢測。
本書受國家自然科學基金“基于用戶可信度的抗托攻擊協(xié)同過濾推薦機理研究”（項目編號：71102065）、重慶市前沿與應用基礎研究計劃“基于多維社交關系挖掘的抗干擾社會化推薦研究”（項目編號：CSTS2015JCYJA40049）、中國博士后基金“基于虛假用戶群體特征的抗托攻擊協(xié)同過濾關鍵技術研究”（項目編號：2012M521680）、中央高�；稹岸嘁晥D協(xié)同訓練的托攻擊檢測研究”（項目編號：106112014CDJZR095502）等項目的資助，在此表示感謝。
限于本書作者的學識水平，書中不足之處在所難免，懇請讀者批評指正。
查看全部↓
前言
第1章 緒論
1．1 研究背景及意義
1．2 研究現(xiàn)狀
1．2．1 社會化推薦系統(tǒng)研究現(xiàn)狀
1．2．2 評分驅(qū)動的推薦系統(tǒng)中托攻擊檢測研究現(xiàn)狀
1．2．3 關系驅(qū)動的社交網(wǎng)絡中托攻擊檢測研究現(xiàn)狀
1．3 研究內(nèi)容和目的
1．3．1 研究內(nèi)容
1．3．2 創(chuàng)新點
1．4 本書的組織結(jié)構(gòu)
第2章 社會化推薦系統(tǒng)與托攻擊檢測相關技術
2．1 評分驅(qū)動的推薦算法
2．2 社會化推薦算法
2．3 評分驅(qū)動的推薦系統(tǒng)中的托攻擊研究
2．3．1 評分驅(qū)動的推薦系統(tǒng)中的托攻擊模型
2．3．2 評分驅(qū)動的推薦系統(tǒng)中的托攻擊檢測
2．4 關系驅(qū)動的社交網(wǎng)絡中托攻擊研究
2．4．1 關系驅(qū)動的社交網(wǎng)絡中的托攻擊形式
2．4．2 關系驅(qū)動的社交網(wǎng)絡中的托攻擊檢測
2．5 半監(jiān)督學習方法
2．6 本章小結(jié)
第3章 面向社會化推薦系統(tǒng)的托攻擊模型
3．1 引言
3．2 預備知識
3．2．1 引例
3．2．2 基本定義
3．3 社會化推薦系統(tǒng)中的托攻擊建模
3．3．1 托攻擊建模
3．3．2 攻擊策略研究
3．4 實驗與結(jié)果分析
3．4．1 實驗設置
3．4．2 實驗結(jié)果分析
3．5 本章小結(jié)
第4章 基于流行度分類特征的推薦系統(tǒng)托攻擊檢測方法
4．1 引言
4．2 預備知識
4．2．1 基本概念
4．2．2 基于評分的推薦系統(tǒng)托攻擊分類特征
4．3 方法依據(jù)
4．3．1 項目流行度分布分析
4．3．2 用戶流行度分布分析
4．4 基于流行度的托攻擊檢測算法
4．4．1 算法框架
4．4．2 特征提取方法
4．4．3 托攻擊檢測算法PoD-SAD
4．5 實驗與結(jié)果分析
4．5．1 實驗設置
4．5．2 實驗結(jié)果分析
4．6 Amazon．cn虛假用戶檢測分析
4．6．1 流行度分布分析
4．6．2 檢測效果分析
4．7 本章小結(jié)
第5章 基于拉普拉斯得分的社交網(wǎng)絡托攻擊檢測方法
5．1 引言
5．2 基于拉普拉斯得分的托攻擊檢測算法
5．2．1 算法框架
5．2．2 基于拉普拉斯得分的特征選擇
5．2．3 基于半監(jiān)督隨機森林的分類算法
5．2．4 LSC0-Forest算法
5．3 實驗與結(jié)果分析
5．3．1 實驗設置
5．3．2 實驗結(jié)果分析
5．4 本章小結(jié)
第6章 基于協(xié)同訓練的社會化推薦系統(tǒng)托攻擊檢測方法
6．1 引言
6．2 預備知識
6．2．1 社會化推薦系統(tǒng)托攻擊模型
6．2．2 用于檢測社會化推薦系統(tǒng)托攻擊的特征提取方法
6．3 基于協(xié)同訓練的托攻擊檢測算法
6．3．1 算法框架
6．3．2 特征提取
6．3．3 模型訓練
6．3．4 CO-SAD模型與結(jié)果預測
6．4 實驗與結(jié)果分析
6．4．1 實驗設置
6．4．2 實驗結(jié)果分析
6．5 本章小結(jié)
第7章總結(jié)與展望
7．1 總結(jié)
7．2 展望
參考文獻
查看全部↓
新書資訊