[发明专利]基于项目关联的托攻击检测方法

说明书

本发明公开了一种基于项目关联的托攻击检测方法，步骤包括：对混合用户评分矩阵R进行项目相关性计算，得到混合用户评分矩阵R的项目相关矩阵A；在混合用户评分矩阵R中，查找某一目标用户的近邻用户，移除目标用户以及其近邻用户，得到新混合用户评分矩阵r；重复查找目标用户；对新混合用户评分矩阵r进行项目相关性计算，得到新混合用户评分矩阵r的项目相关矩阵a；计算项目相关性矩阵A与不同项目相关矩阵a的欧式距离；将欧式距离累加到混合用户评分矩阵R中每一个用户以及其近邻用户，最终过滤攻击用户。本发明通过计算关联值矩阵取得差值，对差值进行排序，最终达到过滤攻击用户的目的，提高检测准确性，弥补现有检测方法的不足。

技术领域

本发明涉及机器学习领域，尤其涉及一种基于项目关联的托攻击检测方法。

背景技术

随着互联网的发展，网络上的信息量剧增，人们很难从海量信息中快速定位目标内容，同时也使得信息的利用率被降低。因此，如何在“信息过载”的情况下，对用户实现高质量的推荐成为人们的研究热点。协同过滤推荐算法因其高效且便捷的个性化推荐技术，成为应用最广泛的推荐算法之一。它基于用户已有的信息进行分析，从用户的偏好、需求等个性点出发，为目标用户寻找相似用户，从而推荐更接近目标用户品味的商品。

同样由于其便捷、开放的特点，给协同过滤推荐系统的安全性带来了挑战。不法商家为提高个人利益，可通过向推荐系统中添加对其商品评分有利的用户或对其对手商品评分不利的用户，使推荐结果包含非正常项的推荐从而达到自己的利益。这种通过添加伪造用户概貌达到非法目的的攻击我们称之为托攻击，常见的有随机攻击、均值攻击等。

实际应用中，协同过滤推荐系统在面对这类攻击时表现出了极大的脆弱性。因此，研究协同过滤推荐系统的安全性逐渐成为了一个热门的研究课题。目前针对托攻击的检测主要时通过分析真实用户与伪造用户的评分值等特性，在推荐产生前移除攻击用户。从机器学习的角度出发，可以将众多检测方法根据其检测方式分为三大类，即有监督学习检测方法、无监督学习检测方法、半监督学习检测方法。有监督的检测方法主要是针对每个用户概貌提取特征，标记后利用支持向量机等分类器实现检测。这种利用提取特征的方法均需要攻击的填充规模较大才有较好的表现，当攻击用户的概貌填充较小时，效果不是很理想，且需要大量的先验知识进行学习。除了利用用户概貌本身的评分长度、评分值变化等特征外，还有学者将信号识别技术与检测方法结合，但此方法只对噪声数据有效，检测精度并不理想。后又有研究者提出了无监督学习方法，如基于主成分分析的检测方法，由于攻击用户评分模式相似，攻击用户间相似度较高而真实用户间相似度较低，转化为协方差可得伪造用户间协方差较低，伪造用户与真实用户间协方差较低，真实用户间协方差较高，通过提取主成分计算后过滤掉伪造用户，但是此方法需要知道攻击用户的数量，从而设定过滤用户的数量，数目的设定对检测结果的影响非常大，且当用户填充规模增大时，此方法的检测效果将随之降低。当只存在少量被标记用户时，依赖监督学习的效果并不理想，因此出现了半监督的学习方法，此方法主要包括两个部分，先对少量的标记数据利用分类器进行训练，在使用迭代的方式将无标记数据加入到分类器中，但此类方法需要不断迭代进行调整，除了耗时外，如何确认迭代次数等也为检测增加了难度。同时，现有的检查方法均从用户间相似度，用户评分值等角度出发，未直接考虑评分项目间关系，若攻击者从此角度出发，现有检查方法会在一定程度上损失检查效果。

发明内容

为了克服现有技术存在的缺点与不足，本发明提供一种基于项目关联的托攻击检测方法，通过计算关联值矩阵取得差值，对差值进行排序，最终达到过滤攻击用户的目的，提高检测准确性，弥补现有检测方法的不足。

为解决上述技术问题，本发明提供如下技术方案：一种基于项目关联的托攻击检测方法，包括如下步骤：

S1、对混合用户评分矩阵R进行项目相关性计算，得到混合用户评分矩阵R的项目相关矩阵A；