[发明专利]一种大数据场景下推荐系统虚假信息注入方法及系统

权利要求书

1.一种大数据场景下推荐系统虚假信息注入方法，其特征在于，包括以下步骤：

S1、构建Movielens数据集作为推荐系统的真实数据集；

S2、基于步骤S1构建的数据集，使用余弦相似度构建相似度矩阵表示目标用户a与其他用户b之间的相似度；

S3、基于步骤S2构建的目标用户a的相似度矩阵，通过排序获得相似度最高的K位用户，列举K位用户偏爱的所有项目，剔除目标用户a已经评分过的项目，根据兴趣度高低排序，计算出前N个项目，将形成的推荐结果页面推荐给目标用户a；

S4、根据步骤S3形成的目标用户a的推荐结果构建具有注入类型、注入强度、填充率和选择率参数值的虚假信息注入模型；

S5、根据步骤S4搭建的虚假信息注入模型形成虚假用户和虚假信息；

S6、将步骤S5得到的虚假用户和虚假信息注入步骤S1的真实数据集后，通过步骤S2和步骤S3得到最终被虚假信息所干扰形成新的推荐页面结果。

2.根据权利要求1所述的大数据场景下推荐系统虚假信息注入方法，其特征在于，步骤S2中，目标用户a与其他用户b之间的相似度W_ab计算如下：

其中，N(a)是目标用户a偏爱项目的列表，N(b)是其他用户b偏爱项目的列表。

3.根据权利要求1所述的大数据场景下推荐系统虚假信息注入方法，其特征在于，步骤S2中，当目标用户a和其他用户b都对一个冷门项目感兴趣，目标用户a与其他用户b之间的相似度W_ab计算如下：

其中，N(a)是目标用户a偏爱项目的列表，N(b)是其他用户b偏爱项目的列表，N(i)为对项目i有过行为的用户集合。

4.根据权利要求1所述的大数据场景下推荐系统虚假信息注入方法，其特征在于，步骤S3中，兴趣度p(a,i)计算如下：

其中，i为项目，S(a,K)为和目标用户a兴趣最接近的K个用户，N(i)为对项目i有过行为的用户集合，W_ab为目标用户a和其他用户b的兴趣相似度，R_bi为其他用户b对项目i的兴趣。

5.根据权利要求1所述的大数据场景下推荐系统虚假信息注入方法，其特征在于，步骤S4中，注入模型M为：

其中，x为选择函数，δ为控制选择项目集合的参数，为控制填充项目集合的参数值，γ为控制目标项目集合的参数。

6.根据权利要求1所述的大数据场景下推荐系统虚假信息注入方法，其特征在于，步骤S4中，注入模型包括随机注入模型，平均注入模型，流行注入模型和无组织恶意注入模型，无组织恶意注入模型通过将随机注入模型、平均注入模型和流行注入模型混淆后得到，每个虚假用户生成一个0～1的随机数，若随机数flag0.6，虚假用户采用平均注入模型，若0.4flag＝0.6，虚假用户采用随机注入模型，当flag＝0.4，虚假用户采用流行注入模型。

7.根据权利要求6所述的大数据场景下推荐系统虚假信息注入方法，其特征在于，随机注入模型中，填充项目集合I_F的项目采用随机采样选取，采用高斯分布对填充项目集合I_F中的项目进行赋值。

8.根据权利要求6所述的大数据场景下推荐系统虚假信息注入方法，其特征在于，平均注入模型中，填充项目集合I_F里的项目采用随机采样选取，包括填充项目集合I_F中的项目用每一个项目各自的均值分布进行评分。

9.根据权利要求6所述的大数据场景下推荐系统虚假信息注入方法，其特征在于，流行注入模型中，选择项目集合I_S利用Zip’s law选取，填充项目集合I_F里的项目采用随机采样选取，样本集[I-I_t]，采用高斯分布对I_F中的项目进行评分。

10.一种大数据场景下推荐系统虚假信息注入系统，其特征在于，包括：

数据模块，构建Movielens数据集作为推荐系统的真实数据集；

相似度模块，基于数据集，使用余弦相似度构建相似度矩阵表示目标用户a与其他用户之间的相似度；

兴趣度模块，基于目标用户a的相似度矩阵，通过排序获得相似度最高的K位用户，列举K位用户偏爱的所有项目，剔除目标用户a已经评分过的项目，根据兴趣度高低排序，计算出前N个项目，将形成的推荐结果页面推荐给目标用户a；

构建模块，根据目标用户a的推荐结果构建具有注入类型、注入强度、填充率和选择率参数值的虚假信息注入模型；

评分模块，根据虚假信息注入模型形成虚假用户和虚假信息；

注入模块，将虚假用户和虚假信息注入真实数据集后，得到最终被虚假信息所干扰形成新的推荐页面结果。