论文部分内容阅读
互联网技术的迅速发展推动了电子商务平台的兴起与繁荣,信息量每时每刻以指数倍增长,人们在信息的海洋中很难找到自己真正需要的内容。推荐系统作为过滤信息的重要手段,是解决信息过载问题的有效方法。其中,协同过滤推荐算法是最为常用和成熟的推荐算法之一。由于协同推荐系统的性能依赖于用户对项目的评分数据信息,因而很容易受到恶意用户的攻击。用户通过构造虚假的用户概貌并注入推荐系统,试图操纵推荐结果,谋取不当利益。这些恶意行为严重的危害了推荐系统的安全性。针对这一问题,许多学者提出了一些基于矩阵分解模型的鲁棒协同推荐算法。这些算法主要存在推荐精度低,鲁棒性能差,不适用于大规模攻击,时间复杂度高等问题。本文通过对国内外现有的鲁棒推荐算法进行深入的调研和分析,重点研究在基于矩阵分解模型的鲁棒推荐算法中的推荐精度问题、鲁棒性能问题、时间复杂度问题、托攻击模型问题、托攻击检测问题、社交网络中挖掘用户潜在特征等若干问题。本文的主要工作包括:1、本文首先对推荐系统技术和托攻击等理论知识做了简单的介绍,调研了国内外有关推荐系统安全性算法的研究现状及存在的问题。然后详细介绍了基于矩阵分解技术的鲁棒协同推荐算法。最后为了进一步提升鲁棒协同推荐算法的推荐精度和时效性,将用户声誉系统和鲁棒推荐系统相结合,提出了分别适用于随机攻击和均值攻击环境下的两种有效的鲁棒协同推荐算法。2、现有的鲁棒推荐算法在抵御托攻击时仍面临着较低的推荐精度和鲁棒性不足问题。针对这一问题,本课题首先利用用户的历史评分记录,依据商品评分的分值进行用户分组,迭代计算得到用户基于评分的声誉值,使用当前常用的声誉和推荐模型结合方式,将用户评分组声誉信息融入到矩阵分解模型中,提出了一种结合用户评分组声誉的鲁棒协同推荐算法(IGRS算法)。该算法不破坏原有数据集的用户分布,可抗击较大规模攻击的优点。在真实的数据集MovieLens 100K和MovieLens1M上的实验表明,与现有的算法相比,在随机攻击环境下该算法在提升推荐系统的准确性的前提下,大大增强了系统的鲁棒性。3、当前推荐系统鲁棒性的研究主要集中在提升系统的抗攻击能力,有关鲁棒推荐算法的时效性研究较少。鲁棒性强的推荐算法通常具有较高的时间复杂度;而具有较低时间复杂度的鲁棒推荐算法,其抗攻击能力往往不足。鉴于此问题,本课题首先通过用户历史评分构建用户声誉,通过对用户声誉分布的分析,构建阶段函数在推荐之前检测并移除攻击,并将用户声誉信息与矩阵分解模型相结合,提出了一种基于用户声誉的既快速又具有强鲁棒性的协同推荐算法(LSVD算法)。在均值攻击环境下的MovieLens 1M数据集上的实验表明,在保证推荐准确性的前提下,LSVD算法在运行时间和鲁棒性预测偏差的两个指标上,均可以达到很好的效果。