面向社會化推薦的托攻擊及檢測研究（簡體書）

社會化推薦系統利用社交關係作為額外輸入，可以有效解決評分驅動的推薦系統中存在的稀疏性與冷啟動等問題，同時可以提高推薦的準確性。社會化推薦系統在給運營商帶來利潤的同時，還提升了用戶的購物滿意度，因此被廣泛應用於各大電子商務站點。然而由於社會化推薦系統開放性的特點，托攻擊者通過注入虛假欺騙信息（如虛假評分與虛假關係等）操縱推薦結果，影響商品排名，進而影響用戶購物體驗以及損害商家的正常利益。為了保障社會化推薦系統免受託攻擊，本文首先探究面向社會化推薦系統的托攻擊模型，並在此基礎上提出面向社會化推薦系統托攻擊的檢測方法。本文主要完成了四個方面的工作：一是從社會化推薦系統的工作機制入手，歸納總結了社會化推薦系統中托攻擊者可能的攻擊形式，提出相應的托攻擊模型；二是在檢測注入虛假評分的托攻擊者時，從用戶的選擇行為入手，分析由此導致的用戶概貌中項目流行度分佈的不同，從而提出一種基於流行度的分類特徵提取方法，從而對虛假評分進行檢測；三是在檢測注入虛假關係的托攻擊者時，使用基於拉普拉斯的特徵提取方法，對用戶的高維特徵進行無監督提取，降低標注代價，從而對虛假關係進行檢測；四是在特徵提取的基礎上，利用半監督協同訓練在評分與關係特徵子圖上分別訓練分類器，從而提高托攻擊檢測的準確性，並更加適合在現實中對社會化推薦系統中的托攻擊進行檢測。