基于攻擊識(shí)別的魯棒推薦算法研究

《基于攻擊識(shí)別的魯棒推薦算法研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。

1、碩士學(xué)位論文MASTER’SDISSERTATION論文題目基于攻擊識(shí)別的魯棒推薦算法研究作者姓名甘鶴學(xué)科專業(yè)軟件工程指導(dǎo)教師張付志2016年5月中圖分類號(hào)：TP393學(xué)校代碼：10216UDC：621.3密級(jí)：公開工學(xué)碩士學(xué)位論文基于攻擊識(shí)別的魯棒推薦算法研究碩士研究生：甘鶴導(dǎo)師：張付志申請(qǐng)學(xué)位：工學(xué)碩士學(xué)科專業(yè)：軟件工程所在單位：信息科學(xué)與工程學(xué)院答辯日期：2016年5月授予學(xué)位單位：燕山大學(xué)ADissertationinSoftwareEngineeringRESEARCHONROBUSTC

2、OLLABORATIVERECOMMENDATIONBASEDONATTACKIDENTIFICATIONbyGanHeSupervisor:ProfessorZhangFu-zhiYanshanUniversityMay,2016燕山大學(xué)碩士學(xué)位論文原創(chuàng)性聲明本人鄭重聲明：此處所提交的碩士學(xué)位論文《基于攻擊識(shí)別的魯棒推薦算法研究》，是本人在導(dǎo)師指導(dǎo)下，在燕山大學(xué)攻讀碩士學(xué)位期間獨(dú)立進(jìn)行研究工作所取得的成果。論文中除已注明部分外不包含他人已發(fā)表或撰寫過的研究成果。對(duì)本文的研究工作做出重要貢獻(xiàn)的個(gè)人

3、和集體，均已在文中以明確方式注明。本聲明的法律結(jié)果將完全由本人承擔(dān)。作者簽字：日期：年月日燕山大學(xué)碩士學(xué)位論文使用授權(quán)書《基于攻擊識(shí)別的魯棒推薦算法研究》系本人在燕山大學(xué)攻讀碩士學(xué)位期間在導(dǎo)師指導(dǎo)下完成的碩士學(xué)位論文。本論文的研究成果歸燕山大學(xué)所有，本論文的研究?jī)?nèi)容不得以其它單位的名義發(fā)表。本人完全了解燕山大學(xué)關(guān)于保存、使用學(xué)位論文的規(guī)定，同意學(xué)校保留并向有關(guān)部門送交論文的復(fù)印件和電子版本，允許論文被查閱和借閱。本人授權(quán)燕山大學(xué)，可以采用影印、縮印或其它復(fù)制手段保存論文，可以公布論文的全部或部分內(nèi)

4、容。保密□，在年解密后適用本授權(quán)書。本學(xué)位論文屬于不保密□。(請(qǐng)?jiān)谝陨舷鄳?yīng)方框內(nèi)打“√”)作者簽名：日期：年月日導(dǎo)師簽名：日期：年月日摘要摘要系統(tǒng)中存在一些攻擊用戶人為地向系統(tǒng)注入大量的虛假評(píng)分，企圖使系統(tǒng)產(chǎn)生對(duì)它們有利的推薦結(jié)果，嚴(yán)重影響了系統(tǒng)的推薦質(zhì)量。并且攻擊用戶在已有的攻擊模型基礎(chǔ)上一直在尋求新的攻擊方法來破壞推薦系統(tǒng)。因此，解決系統(tǒng)在面臨不同攻擊時(shí)的安全問題刻不容緩。本文則通過分析現(xiàn)存的攻擊模型和新出現(xiàn)的攻擊模型的特征，對(duì)推薦系統(tǒng)在面對(duì)攻擊時(shí)保證推薦準(zhǔn)確率情況下提高抗攻擊能力即魯棒性做了

5、研究，基于攻擊識(shí)別的思想提出基于攻擊識(shí)別的魯棒推薦算法。首先，由于現(xiàn)有的魯棒推薦算法對(duì)標(biāo)準(zhǔn)托攻擊的防御能力不強(qiáng)，并且有些魯棒推薦算法通過犧牲推薦精度的方法來提高魯棒性。針對(duì)這一問題，本文提出了基于托攻擊識(shí)別的魯棒推薦算法。首先計(jì)算用戶評(píng)分行為特征得到可疑用戶集合，再利用統(tǒng)計(jì)學(xué)知識(shí)確定目標(biāo)項(xiàng)目，然后依據(jù)目標(biāo)項(xiàng)目計(jì)算用戶的行為可疑度來識(shí)別攻擊用戶。最后與概率矩陣分解算法結(jié)合，提高推薦精度和魯棒性。然后，針對(duì)現(xiàn)存在的魯棒推薦算法一般是針對(duì)已有的托攻擊模型提出來的，而在面對(duì)新的高級(jí)項(xiàng)目攻擊時(shí)體現(xiàn)出弱魯棒性

6、的問題，本文提出了基于高級(jí)項(xiàng)目攻擊識(shí)別的魯棒推薦算法。該算法首先分析了高級(jí)項(xiàng)目用戶評(píng)分特征，利用用戶的流行項(xiàng)目密度識(shí)別攻擊用戶并標(biāo)記。然后在矩陣分解過程中判斷被標(biāo)記用戶是否對(duì)受攻擊項(xiàng)目有過評(píng)分，如果有評(píng)分，則該項(xiàng)目不參與迭代更新。這樣可以消除攻擊用戶對(duì)受攻擊項(xiàng)目的影響，并一定程度上提高系統(tǒng)的推薦精度。最后，對(duì)本文提出的兩種基于攻擊識(shí)別的魯棒推薦算法在Movielens和Netflix數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)驗(yàn)證與分析，并與現(xiàn)有算法進(jìn)行了對(duì)比研究。關(guān)鍵詞：托攻擊識(shí)別；用戶行為可疑度；概率矩陣分解；高級(jí)項(xiàng)目

7、攻擊識(shí)別；矩陣分解-I-AbstractAbstractDuetosomemalicioususersartificiallyprovidelargescalefakeratingstothesystem,tryingtomakethesystemproductadvantagerecommendationresultsforthemselves,leadingtothequalityofthesystemrecommendedareseriouslyaffected.Andattackusers

8、havebeenlookingfornewattackmethodstodamagethesystem.So,solvingthesecurityproblemsofrecommendedsystemfacingtodifferentattacksisurgentlyneeded.Thispaperconductsresearchontheproblemoftherecommenderaccuracyandtheabilityrejectingtoattackforrecommen