|
|
摘要：协同过滤是个性化推荐系统最常用的一种技术，被广泛应用于电子商务，但它对用户概貌信息较为敏感，欺诈攻击者很容易通过注入有偏差的用户概貌信息，人为干预推荐系统的结果。针对这个问题，实验分析基于奇异值分解（SVD）的协同过滤算法在随机攻击模型下的性能表现，并以三种评估指标分析不同攻击规模和填充规模对攻击效率的影响。
【关键词】：协同过滤；欺诈攻击；奇异值分解；推荐系统
中图分类号：TP393 文献标识码：A 文章编号：1009-3044(2011)35-0000-0c
Analysis of Shilling Attacks on Collaborative Filtering Algorithms
ZHOU Min-zhen
(Jiangsu Zhangjiagang Teacher’s In-service Training School, Zhangjiagang 215 00, China)
Abstract: Collaborative filtering is being a major tool of the personalized recommender systems and widely used in e-commence, but it is so sensitive to user profiles, that shilling attackers can easily inject biased profiles in an attempt to intervene the result of the recommender systems artificially. This paper analyzes the attack effectiveness of random attack model on a SVD-based collaborative filtering algorithm, and the performances of attack models with different attack sizes and fill sizes using three evaluation parameters.
Key words: collaborative filtering; shilling attacks; Singular Value Decomposition (SVD); recommender systems
随着互联网的普及和电子商务的发展，协同过滤被广泛应用于个性化推荐系统，但由于推荐系统的开放性和用户参与性，推荐系统易遭受到人为攻击。攻击者通过注入有偏差的用户概貌信息，人为干预推荐系统的结果，使结果产生偏差，从而影响推荐系统质量和安全性问题。本文研究了基于SVD的协同过滤算法对随机推攻击的性能表现，以三种评估指标分析不同攻击规模和填充规模对攻击效率的影响。
1 基于SVD的协同过滤算法
Sarwar[1]等人首次将基于SVD的协同过滤算法应用于协同过滤推荐中，利用用户与项目之间潜在的关系，用初始评分矩阵的SVD去抽取一些本质的特征。SVD是一种矩阵分解技术，它将一个矩阵Rm ×n分解为3个矩阵：R=Nm ×m×Sm ×n×Bn ×n，其中N、B是正交矩阵，S是一个对角线上的元素由上往下依次递减的对角矩阵。
Sarwar把用户对未评分项的评分作为一个固定的缺省值来减少数据集的稀疏性。把矩阵R中评分值为0的项用相关列的项目评分平均值代替，接着把矩阵每行规范化为等长度，用Rjk－ 代替原来的Rjk（ 是第i个用户的平均评分值）。将经过处理的矩阵R’，作为算法的输入矩阵。
SVD算法如下：
（1） 用SVD方法分解矩阵R 得到矩阵N、S、B。
（2） 将S简化为维数为k的矩阵，得到Sk（k
转载注明来源:http://www.ybaotk.com |
上一篇：第三方支付法律性质研究下一篇：对行政问责模式的比较分析及反思
|
发表于 2020-5-26 23:54:51
中发现Ni：
中发现Ni：
中发现Ni：
中发现Ni：
中发现Ni：
中发现Ni：
QQ登录
