论文部分内容阅读
互联网的普及给人们提供了更加便捷的信息获取途径，但是，互联网中充斥着大量信息，人们需要花费大量的时间进行筛选以获得自己需要的信息，这种信息过载的现象困扰着人们对有效信息的选择。推荐系统可以有效缓解信息过载问题，通过将协同过滤技术与推荐技术结合构建出的协同过滤推荐系统在电子商务领域得到了广泛的应用。由于协同过滤推荐系统的开放性，恶意用户可以轻易地向系统中注入虚假数据，使得推荐结果发生偏离，这种行为严重影响了推荐系统的推荐质量。因此，为了保证推荐系统的可靠性，必须准确检测出注入推荐系统中的虚假数据。本文从用户的评分习惯入手，对推荐系统中的托攻击检测问题进行了深入的研究。 首先，针对现有的攻击检测方法检测精确度不高的问题，提出了一种基于新颖项目评分序列聚类的托攻击检测方法。该方法首先构建每个用户的新颖项目评分序列，根据真实概貌和攻击概貌在新颖项目评分序列上表现出的差异生成每个用户概貌的评分数百分比序列，最后结合FarthestFirst聚类算法检测出攻击概貌。 其次，为了提高对标准攻击以及AoP攻击的检测精度，提出了一种基于评分序列分类特征的托攻击检测方法。该方法首先构建每个用户的流行项目评分序列和新颖项目评分序列，然后基于真实概貌和攻击概貌的评分项目在这两条序列上的分布差异提取八个特征，最后结合Multffloost集成学习方法和ADTree决策树分类算法检测出攻击概貌。 最后，在MovieLens1M数据集上进行实验，对本文提出的两种托攻击检测方法进行验证，并与现有的几种托攻击检测方法进行了对比分析。