20世纪末，个性化推荐系统被首次提出［11］，其目的是为了减少信息检索的工作量。1992年John Riedl和Paul Resnick建立了一个新闻推荐系统。该系统通过分析用户对文章的历史评分，挖掘出用户的评分模式，从而预测用户对其他文章的喜欢程度，这是最早的协同过滤系统推荐系统之一［12，13］。随着互联网技术的不断发展，作为从海量信息中挖掘用户感兴趣信息的工具，推荐系统受到越来越多的重视。通过分析用户历史兴趣爱好，推荐系统在用户群中找出与目标用户相似的近邻用户，并利用近邻用户对商品或信息的评价，预测目标用户对项目或信息的喜好度。推荐系统能够在用户需求不明确的情况下，主动为用户推荐有用的信息［13，14］。
推荐系统按照使用的技术分类可分为基于内容的推荐、协同过滤推荐、混合推荐3种［15-17］，其中协同过滤推荐技术是目前使用范围较广的一种，受到了众多研究者的关注，并在电子商务平台中被广泛应用。协同过滤技术主要包括基于存储的推荐方法和基于模型的推荐方法，另外还有将二者结合的混合型推荐方法。混合型推荐方法同时考虑各类因素来提高推荐算法的精确性，例如用户可信度、关联规则、聚类算法等。协同过滤推荐技术能满足用户的个性化需求，在实际中得到了广泛的应用，如亚马逊[2]、新浪微博[3]、豆瓣[4]、淘宝网[5]等均采用这种方法。另外随着社交网站的兴起，结合社交网络属性信息如身份信息、位置信息等向用户提供推送信息已成为个性化推荐的发展趋势。如社交网络平台Facebook[6]上的广告推荐就是根据用户的社交网络属性信息向用户推送广告，这是个性化推荐与社交网络平台结合的一个例子。协同过滤推荐技术使用户能更快地选择自己喜爱的商品以提高用户的满意度及购物体验，从而带来巨大的商业价值。(www.xing528.com)
但是相关研究表明协同过滤技术本身存在严重的缺点和不足。协同过滤技术依赖用户描述文件（用户概貌）向用户提供个性化推荐，这将导致协同过滤算法容易受到注入的虚假用户概貌的攻击。尤其是在涉及经济利益的电子商务领域，一些恶意用户在利益的驱使下，将伪造的用户概貌注入推荐系统中，试图操纵项目在推荐系统中的排名，从而使推荐结果更符合这些恶意用户的利益；或者通过类似的手段打压竞争者的商品。恶意用户的这种注入虚假概貌的行为导致的直接结果就是推荐结果受到影响，降低了推荐系统的准确性，使得推荐系统的信誉受损。如何检测针对推荐系统的托攻击以及降低托攻击对推荐系统的影响日益成为一个重要的研究课题。本书通过研究推荐系统托攻击检测算法，旨在提高推荐系统的安全性和公平性，从而促进推荐系统的健康发展。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
