[发明专利]一种基于信任的托攻击用户的检测方法及系统

说明书

本发明公开了一种基于信任的托攻击用户的检测方法及系统，包括用户评分数据集建立模块、信任用户数据集建立模块、对信任用户数据集进行托攻击用户检测模块、对没有添加信任信息的用户进行托攻击用户检测模块、数据推荐模块，根据用户在信任网络下的行为特征，提出了托攻击用户在信任网络下的统计量特征维度，包含维度信任集群等级TCL、信任项目等级TPL、信任相似度等级TSL、全局一致度等级GCL。针对信任用户数据集，有效检测了托攻击用户。同时，对于未添加信任信息的托攻击用户，通过全局一致度等级GCL的计算，也达到了有效的检测。本发明增加了推荐系统在托攻击下的抵御能力，提升了推荐系统的鲁棒性，使得推荐结果不会受到托攻击的影响。

技术领域

本发明通过研究信任网络下的托攻击用户统计量特征，提出了一种检测托攻击用户的有效方法。主要解决了由于托攻击问题导致的推荐系统鲁棒性较差，易受到攻击，而使得推荐结果不准确的问题，属于推荐技术领域。

背景技术

2018年，阿里巴巴的年营收是321.54亿元人民币，亚马逊的年营收是177866.0百万美元，电子商务发展如此迅猛，协同过滤算法功不可没。信息数量的爆炸式增长，使得用户难以在海量的信息中，找到自己感兴趣的商品，如何准确快速的定位用户偏好的商品，从而对用户进行推荐，成为推荐系统的设计的首要目标。现有文件：W.Hong-xia,″AnImproved Collaborative Filtering Recommendation Algorithm,″2019IEEE 4thInternational Conference on Big Data Analytics(ICBDA),Suzhou,China,2019,pp.431-435，公开了一种协同过滤算法，从相似的用户和相似的项目角度出发，分析项目之间和用户之间的相似程度，找到用户偏好的项目，可以在大数据的情境下，较为可靠的完成推荐任务。

文件：Lam S K,Riedl J.Shilling recommender systems for fun and profit[C]//Proceedings of the 13th international conference on World Wide Web,WWW2004,New York,NY,USA,May17-20,2004.ACM,2004指出，数据稀疏性问题和托攻击问题，对于推荐的准确度有较大的影响。为了缓解现实生活中用户只评论少量的项目导致的数据稀疏性问题，文件：窦文,王怀民,贾焰,等.构造基于推荐的Peer-to-Peer环境下的Trust模型[J].软件学报,2004,15(4)：571-583证明了在推荐过程中，综合考虑用户添加的信任关系来改进用户之间的相似度，往往可以获得更好的推荐效果。