推荐系统中基于目标项目识别的群组攻击检测算法

发布时间：2021-09-02 14:41

　　互联网普及化为人们的生活与出行带来了便利,但是,互联网中存在着大量信息,人们花费大量的时间对这些信息进行筛选,以便获得自己想要的信息,这种现象被称为信息过载,为了解决这一现象,推荐系统应运而生。但是由于推荐系统的开放性,很多恶意用户为了达到自己的目的,向推荐系统中注入大量虚假数据,使推荐结果发生改变,严重的破坏了推荐系统的稳定性。许多专家学者针对此问题提出了一些解决方案。然而,随着攻击方式逐渐向有组织的群组攻击方式转变,现有的方法不能很好的针对群组攻击进行检测。针对这一问题,本文针对群组攻击检测进行了深入的研究,并且提出了两种基于目标项目识别的群组攻击检测算法。首先,从时间角度对目标项目评分情况进行分析,采用半监督算法对目标项目进行识别。对于每一个项目,都进行项目时间序列的划分,提取可疑项目及时间区间集合。通过对可疑项目特征的计算和半监督分类过程,识别目标项目,进而得到攻击群组。其次,通过对用户评分行为进行分析,结合用户与项目之间评分情况对群组攻击检测进行研究。通过提取攻击用户特征,聚类得出可疑用户集合,并构建用户评分矩阵,根据矩阵中项目被评分情况计算项目可疑度,对可疑度进行排序得出用... 

【文章来源】：燕山大学河北省

【文章页数】：61 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 有监督检测
        1.2.2 无监督检测
        1.2.3 半监督检测方法
    1.3 主要研究内容
    1.4 本文的组织结构
第2章 相关理论及群组攻击介绍
    2.1 协同过滤推荐系统
        2.1.1 基于用户的协同过滤推荐算法
        2.1.2 基于项目的协同过滤推荐算法
    2.2 攻击模型相关知识
        2.2.1 攻击概貌
        2.2.2 攻击模型
        2.2.3 群组攻击模型
    2.3 PU-Learning算法
    2.4 支持向量机
    2.5 K-means聚类
    2.6 本章小结
第3章 基于项目时间序列与PU-Learning的群组攻击检测算法
    3.1 引言
    3.2 基于项目时间序列与PU-Learning的群组攻击检测框架
    3.3 目标项目样本抽取
    3.4 项目时间序列划分
        3.4.1 项目时间序列划分方法
    3.5 PU-Learning算法
        3.5.1 本文使用到的已有目标项目特征介绍
        3.5.2 目标项目特征提取
        3.5.3 特征降维算法
    3.6 目标项目识别及群组攻击检测
    3.7 本章小结
第4章 基于用户评分行为分析的群组攻击检测算法
    4.1 引言
    4.2 基于用户评分行为分析的群组攻击检测算法框架
    4.3 用户特征提取
        4.3.1 本文使用的已有的用户特征介绍
        4.3.2 攻击用户特征提取
    4.4 用户特征聚类
        4.4.1 改进的二分K-means聚类
    4.5 目标项目识别及群组攻击检测
    4.6 本章小结
第5章 实验过程与分析
    5.1 实验数据集及设置
        5.1.1 实验数据
        5.1.2 实验评价指标
        5.1.3 实验环境
    5.2 参数的选取
    5.3 基于项目时间序列与PU-Learning的群组攻击检测算法实验
        5.3.1 对比实验及介绍
        5.3.2 实验结果与分析
    5.4 基于用户评分行为分析的群组攻击检测算法实验
        5.4.1 对比实验及介绍
        5.4.2 实验结果与分析
    5.5 本章小结
结论
参考文献
致谢


【参考文献】：
期刊论文
[1]基于决策树与朴素贝叶斯分类的入侵检测模型[J]. 姚潍,王娟,张胜利.  计算机应用. 2015(10)
[2]一种基于流行度分类特征的托攻击检测算法[J]. 李文涛,高旻,李华,熊庆宇,文俊浩,凌斌.  自动化学报. 2015(09)
[3]基于多维风险因子的推荐攻击检测方法[J]. 于洪涛,李鹏,张付志.  小型微型计算机系统. 2015(05)
[4]基于PU学习算法的虚假评论识别研究[J]. 任亚峰,姬东鸿,张红斌,尹兰.  计算机研究与发展. 2015(03)
[5]基于仿生模式识别的未知推荐攻击检测[J]. 周全强,张付志,刘文远.  软件学报. 2014(11)
[6]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)
[7]基于SVM-KNN的半监督托攻击检测方法[J]. 吕成戍,王维国.  计算机工程与应用. 2013(22)
[8]一种基于用户偏好自动分类的社会媒体共享和推荐方法[J]. 贾大文,曾承,彭智勇,成鹏,阳志敏,卢舟.  计算机学报. 2012(11)
[9]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)
[10]K-means算法研究综述[J]. 吴夙慧,成颖,郑彦宁,潘云涛.  现代图书情报技术. 2011(05)



本文编号：3379196