基于特征子集的推荐系统托攻击无监督检测

doi:10.3969/j.issn.1000-3428.2014.05.023

计算机工程

基于特征子集的推荐系统托攻击无监督检测

彭飞^1,2，曾学文²，邓浩江²，刘磊²

(1. 中国科学院大学，北京 100190；2. 中国科学院声学研究所国家网络新媒体工程技术研究中心，北京 100190)

收稿日期:2013-03-25 出版日期:2014-05-15 发布日期:2014-05-14
作者简介:彭飞(1988－)，男，博士研究生，主研方向：网络安全，个性化服务推荐；曾学文、邓浩江，研究员、博士、博士生导师；刘磊，副研究员、博士。
基金资助:
国家“863”计划基金资助项目“融合网络业务体系开发”(2011AA01A102)；国家科技支撑计划基金资助项目“ACR创新应用示范”(2011BAH19B04)；中国科学院重点部署基金资助项目“NGB有线无线融合开放业务平台关键技术研究与验证”(KGZD- EW-103-2)。

Unsupervised Detection of Shilling Attack for Recommender System Based on Feature Subset

PENG Fei ^1,2, ZENG Xue-wen ², DENG Hao-jiang ², LIU Lei ²

(1. University of Chinese Academy of Sciences, Beijing 100190, China; 2. National Network New Media Engineering Research Center, Institute of Acoustics, Chinese Academy of Sciences, Beijing 100190, China)

Received:2013-03-25 Online:2014-05-15 Published:2014-05-14

摘要/Abstract

摘要： 针对现有基于协同过滤的推荐系统易受托攻击影响的问题，提出一种基于特征子集的推荐系统托攻击无监督检测算法。利用现有攻击模型在项目选择上的随机性，给出一种描述用户兴趣集中程度的特征属性：兴趣峰度系数。将该系数与已有的推荐系统用户特征属性结合作为备选特征集，采用无监督特征选择方法为不同类型托攻击选取相应的检测特征子集。根据选择出的特征子集计算每个用户的离群度，以此进行排序并确定攻击目标，在已排序的用户序列上设置滑动窗口，通过计算窗口内攻击目标的平均评分偏移值对攻击用户进行过滤。实验结果证明，兴趣峰度系数的信息增益高于已有的特征属性，基于特征子集的无监督检测算法相比于现有的无监督检测方法具有更高的稳定性和精准度。

Abstract: To solve the problem that existing recommender systems based on collaborative filtering are vulnerable to the shilling attack, this paper proposes an Unsupervised Detection Algorithm of Shilling Attack Based on Feature Subset(UnDSA-FS). A feature named Kurtosis Coefficient of Interest(KCI) is proposed to describe the intensity degree of user’s interest. Taking the KCI and other existed features as candidate feature set, this algorithm uses unsupervised feature selection method to choose proper feature subset for different attack strategies. It computes the distance sum of each user, sorts the users by the distance sum and identifies the attack target. It sets a sliding window on the sorted user sequence, and filters the attack users by calculating the mean rating deviation of attack target. Experimental result verifies that the information gain of KCI is higher than existing features’, and the proposed UnDSA-FS has a better performance in stability and precision compared with existing unsupervised detection methods.

Key words: recommender system, shilling attack, unsupervised detection, feature subset, kurtosis coefficient, sliding window

中图分类号:

TP309

彭飞，曾学文，邓浩江，刘磊. 基于特征子集的推荐系统托攻击无监督检测[J]. 计算机工程, doi: 10.3969/j.issn.1000-3428.2014.05.023.

PENG Fei, ZENG Xue-wen, DENG Hao-jiang, LIU Lei. Unsupervised Detection of Shilling Attack for Recommender System Based on Feature Subset[J]. Computer Engineering, doi: 10.3969/j.issn.1000-3428.2014.05.023.

http://www.ecice06.com/CN/Y2014/V40/I5/109

参考文献

参考文献 [1] Burke R, O’Mahony M P, Hurley N J. Robust Collaborative Recommendation[M]. New York, USA: Springer, 2011. [2] Seminario C E, Wilson D C. Robustness and Accuracy Tradeoffs for Recommender Systems Under Attack[C]//Proc. of the 25th International Florida Artificial Intelligence Research Society Conference. Marco Island, USA: AAAI Press, 2012: 86-91. [3] 李聪, 骆志刚, 石金龙. 一种探测推荐系统托攻击的无监督算法[J]. 自动化学报, 2011, 37(2): 160-167. [4] 魏莎. 协同过滤推荐系统中攻击概貌检测算法研究[D]. 秦皇岛: 燕山大学, 2012. [5] Lee J S, Zhu Dan. Shilling Attack Detection——A New Approach for a Trustworthy Recommender System[J]. INFORMS Journal on Computing, 2012, 24(1): 117-131. [6] Chirita P A, Nejdl W, Zamfir C. Preventing Shilling Attacks in Online Recommender Systems[C]//Proc. of ACM Interna- tional Workshop on Web Information and Data Management. New York, USA: ACM Press, 2005: 67-74. [7] Burke R, Mobasher B, Williams C, et al. Classification Features for Attack Detection in Collaborative Recommendation Systems[C]//Proc. of the 12th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. Philadelphia, USA: ACM Press, 2006: 542-547. [8] 伍之昂, 庄毅, 王有权, 等. 基于特征选择的推荐系统托攻击检测算法[J]. 电子学报, 2012, 40(8): 1687-1693. [9] Hurley N, Cheng Z, Zhang M. Statistical Attack Detection[C]// Proc. of ACM Conference on Recommender Systems. New York, USA: ACM Press, 2009: 149-156. [10] Mehta B, Nejdl W. Unsupervised Strategies for Shilling Detection and Robust Collaborative Filtering[J]. User Modeling and User-adapted Interaction, 2009, 19(1/2): 65-97. [11] Mehta B, Hofmann T, Fankauser P. Lies and Propaganda: Detection Spam Users in Collaborative Filtering[C]//Proc. of the 12th International Conference on Intelligent User Interfaces. New York, USA: ACM Press, 2007: 14-21. [12] Bryan K, O’Mahony M P, Cunningham P. Unsupervised Retrieval of Attack Profiles in Collaborative Recommender Systems[C]//Proc. of 2008 ACM Conference on Recommender Systems. New York, USA: ACM Press, 2008: 155-162. [13] 单明辉, 贡佳炜, 牛尔力, 等. RulerRep: 一种基于偏离度的过滤不实评价新方法[J]. 计算机学报, 2010, 33(7): 1226- 1235. [14] Wu Zhiang, Wu Junjie, Cao Jie, et al. HySAD: A Semi- supervised Hybrid Shilling Attack Detector for Trustworthy Product Recommendation[C]//Proc. of the 18th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. [S. l.]: ACM Press, 2012: 985-993. [15] Peng Hanchuan, Long Fuhui, Ding C. Feature Selection Based on Mutual Information: Criteria of Max-dependency, Max- relevance, and Min-redundancy[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2005, 27(8): 1226- 1238. [16] 徐峻岭, 周毓明, 陈林, 等. 基于互信息的无监督特征选择[J]. 计算机研究与发展, 2012, 49(2): 372-382. [17] Lewis D D. A Sequential Algorithm for Training Text Class- ifiers[C]//Proc. of the 17th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval. New York, USA: ACM Press, 1994: 3-12. 编辑金胡考

选择文件类型/文献管理软件名称

选择包含的内容

基于特征子集的推荐系统托攻击无监督检测

Unsupervised Detection of Shilling Attack for Recommender System Based on Feature Subset

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	唐彦, 卢镘旭. 基于知识图谱与深度涟漪网络的推荐系统[J]. 计算机工程, 2023, 49(5): 63-72,80.
[2]	李盼, 解庆, 李琳, 刘永坚. 知识增强的图神经网络序列推荐模型[J]. 计算机工程, 2023, 49(2): 70-80.
[3]	沈学利, 马玉营, 梁振兴. 融合复杂先验与注意力机制的变分自动编码器[J]. 计算机工程, 2022, 48(11): 55-61.
[4]	刘华玲, 马俊, 张国祥. 基于深度学习的内容推荐算法研究综述[J]. 计算机工程, 2021, 47(7): 1-12.
[5]	贾俊杰, 张玉超. 基于用户模糊聚类的综合信任推荐算法[J]. 计算机工程, 2021, 47(6): 60-67.
[6]	尤文珠, 葛海波. 利用多基数系统的高效椭圆曲线多标量乘算法[J]. 计算机工程, 2021, 47(2): 182-187.
[7]	唐浩, 刘柏嵩, 刘晓玲, 黄伟明. 基于协同知识图谱特征学习的论文推荐方法[J]. 计算机工程, 2020, 46(9): 306-312.
[8]	吴清春, 贾彩燕. 一种融合社交关系的矩阵分解推荐模型[J]. 计算机工程, 2020, 46(8): 72-77,84.
[9]	殷佳豪, 刘世杰, 鲍宇, 杨轩, 朱紫维. 基于一维卷积神经网络的实时心脏按压评估[J]. 计算机工程, 2020, 46(5): 298-304,311.
[10]	李南星, 盛益强, 倪宏. 用于个性化推荐的条件卷积隐因子模型[J]. 计算机工程, 2020, 46(4): 85-90,96.
[11]	王齐童, 王鹏, 赵郁亮, 汪卫. 一种高效的移动对象伴随模式挖掘算法[J]. 计算机工程, 2020, 46(4): 97-106,122.
[12]	徐玲, 乔建忠, 林树宽, 祁瑞华. 志愿计算中基于贝叶斯定理的信任模型[J]. 计算机工程, 2020, 46(4): 129-134.
[13]	张传伟, 曾虹钧, 杨萌月, 李波, 陈尚瑞. 基于多分辨率滤波通道的多尺度行人检测[J]. 计算机工程, 2020, 46(2): 235-241.
[14]	黄文明, 卫万成, 张健, 邓珍荣. 基于注意力机制与评论文本深度模型的推荐方法[J]. 计算机工程, 2019, 45(9): 176-182.
[15]	杨佳莉, 李直旭, 许佳捷, 赵朋朋, 赵雷, 周晓方. 一种自适应的混合协同过滤推荐算法[J]. 计算机工程, 2019, 45(7): 222-228.

模态框（Modal）标题

选择文件类型/文献管理软件名称

选择包含的内容

基于特征子集的推荐系统托攻击无监督检测

Unsupervised Detection of Shilling Attack for Recommender System Based on Feature Subset

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价