科研

Collaborative filtering recommendation using fusing criteria against shilling attacks

Collaborative filtering recommendation using fusing criteria against shilling attacks

来源

connection science 2021 （CCF C类期刊）

问题描述

推荐系统存在shilling attack ，即在共现矩阵中恶意添加虚假用户数据。

多数shilling attack攻击方法单，因此提出CFR-F，融合多个标准进行协同过滤推荐。

框架

  1. 根据用户社交标签和交互评分数据获取相似用户集合
  2. 结合用户属性推荐相似的用户集中的item

方法

  • 用户相似性计算：
    • $\alpha$标签相似性（余弦）+$\beta$共现矩阵相似性（杰卡德），构建top K相似用户集
    • 计算用户属性相似度$W_{a,b}$
  • 评分预测：
    • 对相似用户集内的所有item计算评分

image-20230204224120608

实验

CFR-T：传统协同过滤

CFR-B：使用用户属性

CFR-S：使用标签

CFR-F：同时使用用户属性和标签

image-20230205114744307

思考

非常简单的一篇文章，融合多个特征进行用户相似性计算，在一定程度上能够防御shilling attack。借鉴意义不大。