面向社会化攻击的虚假用户检测研究与实现
发布时间：2021-02-16 04:00
高速发展的网络科技推动了信息与数据的大量生产,但同时也造成了信息过载问题,个性化推荐系统较好地缓解了这一现象,现已应用在众多网络平台。同时,随着社交网络的兴起,社会化推荐也成为热点研究,它能够利用社交关系信息缓解推荐算法中的稀疏性和冷启动问题。然而由于主流的推荐算法依赖用户的历史行为数据,虚假用户趁机利用这一特性向推荐系统注入虚假评分信息、社交关系等,改变正常的推荐结果从而达到牟利的目的。这种行为不仅改变推荐结果、降低用户满意度,并且严重影响了公平有序的线上环境。因此如何检测出这些恶意的虚假用户,净化推荐环境是一个重要的研究内容。这一问题已经得到研究者的广泛关注,虽然目前已有一些成熟的方法检测虚假用户,但是随着虚假用户攻击模型的不断升级,例如虚假用户借助社交关系提高攻击能力,传统的针对评分攻击的虚假用户检测的方法无法较好地检测出这种社会化攻击。为了探究应对社会化攻击的虚假用户检测方法并提高检测性能,本文首先提出了多种融合关系和评分的混合攻击模型,通过该模型向推荐系统数据集注入虚假用户来模拟真实场景中的虚假用户;并提出了适用于应对社会化攻击的虚假用户检测算法,该方法通过结挖掘社交关系中的...
【文章来源】： 宋宇琦 重庆大学
【文章页数】：83 页
【学位级别】：硕士
【文章目录】：
中文摘要
英文摘要
1 绪论
1.1 研究背景
1.2 研究意义
1.3 国内外研究现状
1.3.1 虚假用户注入研究现状
1.3.2 虚假用户检测研究现状
1.4 本文的研究内容
1.5 本文的组织结构
2 相关理论与技术分析
2.1 推荐算法介绍
2.1.1 基于协同过滤的推荐算法
2.1.2 社会化推荐方法
2.2 虚假用户生成方法
2.2.1 托攻击与攻击概貌
2.2.2 经典攻击模型
2.2.3 混淆方法
2.2.4 攻击评估指标
2.3 虚假用户检测方法
2.3.1 虚假用户检测模型
2.3.2 检测评估指标
2.4 本章小结
3 融合社会关系的混合攻击模型
3.1 算法框架
3.1.1 基本定义
3.1.2 社会关系攻击模型
3.1.3 混合攻击模型
3.2 实验及结果分析
3.2.1 数据集与实验设置
3.2.2 攻击结果
3.2.3 参数敏感性分析
3.3 本章小结
4 基于异构信息网络与矩阵分解的虚假用户检测模型
4.1 异构信息网络
4.1.1 基本概念
4.1.2 实例
4.2 算法框架
4.2.1 构造异构信息网络
4.2.2 设计元路径
4.2.3 生成节点序列
4.2.4 训练用户嵌入向量
4.2.5 矩阵分解
4.2.6 联合训练检测模型
4.3 实验及结果分析
4.3.1 数据集与实验设置
4.3.2 虚假用户检测效果
4.3.3 参数敏感性分析
4.4 本章小结
5 原型系统的设计与实现
5.1 系统设计
5.1.1 系统需求分析
5.1.2 系统架构设计
5.1.3 系统功能设计
5.1.4 数据库设计
5.2 系统实现
5.2.1 用户登录注册模块实现
5.2.2 推荐模块实现
5.2.3 项目/用户管理模块
5.2.4 用户注入模块实现
5.2.5 用户检测模块实现
5.3 本章小结
6 总结与展望
6.1 本文工作总结
6.2 未来工作展望
参考文献
附录
A.作者在攻读硕士学位期间发表的论文
B.作者在攻读硕士学位期间参与的科研项目
C.学位论文数据集
致谢
【参考文献】：
期刊论文
[1]基于双层采样主动学习的社交网络虚假用户检测方法[J]. 谭侃,高旻,李文涛,田仁丽,文俊浩,熊庆宇. 自动化学报. 2017(03)
[2]社会化推荐系统研究[J]. 孟祥武,刘树栋,张玉洁,胡勋. 软件学报. 2015(06)
[3]推荐系统托攻击模型与检测技术[J]. 伍之昂,王有权,曹杰. 科学通报. 2014(07)
[4]Securing Recommender Systems Against Shilling Attacks Using Social-Based Clustering[J]. 张响亮,Tak Man Desmond Lee,Georgios Pitsilis. Journal of Computer Science & Technology. 2013(04)
[5]基于特征选择的推荐系统托攻击检测算法[J]. 伍之昂,庄毅,王有权,曹杰. 电子学报. 2012(08)
[6]用于鲁棒协同推荐的元信息增强变分贝叶斯矩阵分解模型[J]. 李聪,骆志刚. 自动化学报. 2011(09)
[7]推荐系统安全问题及技术研究综述[J]. 张富国,徐升华. 计算机应用研究. 2008(03)
博士论文
[1]融合社会辅助信息的社会化推荐研究[D]. 胡祥.北京邮电大学 2017
硕士论文
[1]协同过滤推荐系统中的关键算法研究[D]. 刘强.浙江大学 2013
本文编号：3036118
【文章来源】： 宋宇琦 重庆大学
【文章页数】：83 页
【学位级别】：硕士
【文章目录】：
中文摘要
英文摘要
1 绪论
1.1 研究背景
1.2 研究意义
1.3 国内外研究现状
1.3.1 虚假用户注入研究现状
1.3.2 虚假用户检测研究现状
1.4 本文的研究内容
1.5 本文的组织结构
2 相关理论与技术分析
2.1 推荐算法介绍
2.1.1 基于协同过滤的推荐算法
2.1.2 社会化推荐方法
2.2 虚假用户生成方法
2.2.1 托攻击与攻击概貌
2.2.2 经典攻击模型
2.2.3 混淆方法
2.2.4 攻击评估指标
2.3 虚假用户检测方法
2.3.1 虚假用户检测模型
2.3.2 检测评估指标
2.4 本章小结
3 融合社会关系的混合攻击模型
3.1 算法框架
3.1.1 基本定义
3.1.2 社会关系攻击模型
3.1.3 混合攻击模型
3.2 实验及结果分析
3.2.1 数据集与实验设置
3.2.2 攻击结果
3.2.3 参数敏感性分析
3.3 本章小结
4 基于异构信息网络与矩阵分解的虚假用户检测模型
4.1 异构信息网络
4.1.1 基本概念
4.1.2 实例
4.2 算法框架
4.2.1 构造异构信息网络
4.2.2 设计元路径
4.2.3 生成节点序列
4.2.4 训练用户嵌入向量
4.2.5 矩阵分解
4.2.6 联合训练检测模型
4.3 实验及结果分析
4.3.1 数据集与实验设置
4.3.2 虚假用户检测效果
4.3.3 参数敏感性分析
4.4 本章小结
5 原型系统的设计与实现
5.1 系统设计
5.1.1 系统需求分析
5.1.2 系统架构设计
5.1.3 系统功能设计
5.1.4 数据库设计
5.2 系统实现
5.2.1 用户登录注册模块实现
5.2.2 推荐模块实现
5.2.3 项目/用户管理模块
5.2.4 用户注入模块实现
5.2.5 用户检测模块实现
5.3 本章小结
6 总结与展望
6.1 本文工作总结
6.2 未来工作展望
参考文献
附录
A.作者在攻读硕士学位期间发表的论文
B.作者在攻读硕士学位期间参与的科研项目
C.学位论文数据集
致谢
【参考文献】：
期刊论文
[1]基于双层采样主动学习的社交网络虚假用户检测方法[J]. 谭侃,高旻,李文涛,田仁丽,文俊浩,熊庆宇. 自动化学报. 2017(03)
[2]社会化推荐系统研究[J]. 孟祥武,刘树栋,张玉洁,胡勋. 软件学报. 2015(06)
[3]推荐系统托攻击模型与检测技术[J]. 伍之昂,王有权,曹杰. 科学通报. 2014(07)
[4]Securing Recommender Systems Against Shilling Attacks Using Social-Based Clustering[J]. 张响亮,Tak Man Desmond Lee,Georgios Pitsilis. Journal of Computer Science & Technology. 2013(04)
[5]基于特征选择的推荐系统托攻击检测算法[J]. 伍之昂,庄毅,王有权,曹杰. 电子学报. 2012(08)
[6]用于鲁棒协同推荐的元信息增强变分贝叶斯矩阵分解模型[J]. 李聪,骆志刚. 自动化学报. 2011(09)
[7]推荐系统安全问题及技术研究综述[J]. 张富国,徐升华. 计算机应用研究. 2008(03)
博士论文
[1]融合社会辅助信息的社会化推荐研究[D]. 胡祥.北京邮电大学 2017
硕士论文
[1]协同过滤推荐系统中的关键算法研究[D]. 刘强.浙江大学 2013
本文编号：3036118
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3036118.html
