تشخیص حمله شیلینگ در سیستم های توصیه گر از طریق تجزیه و تحلیل الگوهای انتخاب

تشخیص حمله شیلینگ در سیستم های توصیه گر از طریق تجزیه و تحلیل الگوهای انتخاب

Shilling Attack Detection in Recommender Systems via Selecting Patterns Analysis

مقاله انگلیسی ۱۲ صفحه PDF ترجمه فارسی ۳۵ صفحه WORD

خلاصه

فیلتر مشترک (CF) در سیستم های توصیه گر به طور گسترده ای برای تولید توصیه های شخصی، استفاده می شود. با این حال، سیستم های توصیه گر CF برای حملات شیلینگ آسیب پذیر هستند و حملات، پروفایل های جعلی را برای دستکاری نتایج توصیه تزریق می کنند. بنابراین، حملات شیلینگ شامل تهدیدی علیه اعتبار سیستم های توصیه گر می باشند. مطالعات قبلی به طور عمده ویژگی هایی را از مشخصات رتبه آیتم در پروفایل های کاربر برای تشخیص حملات استخراج می کند، اما در روش ها،  وقتی مهاجمان الگوهای جدید امتیازی را اتخاذ می کنند از دقت کم رنج می برند. برای غلبه بر این مشکل، ویژگی هایی را از خواص محبوبیت آیتم در پروفایل های کاربر استخراج می کنیم که توسط الگوهای انتخاب مختلف کاربران تعیین می شود. این روش استخراج ویژگی، بر دانش قبلی مبتنی است که مهاجمان موارد را برای امتیازدهی با قوانین بشری انتخاب می کنند در حالی که کاربران عادی این را با توجه به تنظیمات درونی خود انجام می دهند. سپس، روش طبقه بندی یادگیری ماشین مورد بهره برداری قرار می گیرد تا از این ویژگی ها جهت شناسایی و حذف مهاجمان استفاده نماید. نتایج آزمایش بر روی مجموعه داده موویلنز و آمازون، مجموعه داده را مرور می کند که روش پیشنهادی ما عملکرد تشخیص را بهبود می بخشد. علاوه بر این، توجیه نتایج ارزش عملی ویژگی ها از  الگوهای انتخاب مشتق شده اند.

کلید واژه ها: استخراج ویژگی، محبوبیت، الگوهای انتخاب، سیستم های توصیه گر، حملات شیلینگ

SUMMARY
Collaborative filtering (CF) has been widely used in recommender systems to generate personalized recommendations. However, recommender systems using CF are vulnerable to shilling attacks, in which attackers inject fake profiles to manipulate recommendation results. Thus, shilling attacks pose a threat to the credibility of recommender systems. Previous studies mainly derive features from characteristics of item ratings in user profiles to detect attackers, but the methods suffer from low accuracy when attackers adopt new rating patterns. To overcome this drawback, we derive features from properties of item popularity in user profiles, which are determined by users’ different selecting patterns. This feature extraction method is based on the prior knowledge that attackers select items to rate with man-made rules while normal users do this according to their inner preferences. Then, machine learning classification approaches are exploited to make use of these features to detect and remove attackers. Experiment results on the MovieLens dataset and Amazon review dataset show that our proposed method improves detection performance. In addition, the results justify the practical value of features derived from selecting patterns.
keywords: feature extraction, popularity, selecting patterns, recommender systems, shilling attack
.
.
.
170,000 ریال – خرید
.
.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *