托攻击检测：推荐系统鲁棒性研究

一些用户受经济利益的驱使，通过虚假恶意的行为，故意增加或者减少某些商品被推荐的可能性［106］。因而推荐算法对恶意攻击的鲁棒性，将成为判断推荐系统好坏的一个特征。以关联规则挖掘算法为例，KNN算法的鲁棒性就没有Apriori算法的鲁棒性好［23］。有的研究者已经提出提高推荐系统抗托攻击的方法，如通过分析对比真实用户和疑似恶意用户之间评分的差异，判断是否是恶意行为，降低疑似恶意用户对推荐系统的影响［107］。现有的推荐系统托攻击检测方面的研究较少，而实际系统中攻击策略却层出不穷，因此亟须相应的研究对此类问题进行研究。

针对传统的协同过滤推荐算法对托攻击的高度敏感性，目前主要有两种应对托攻击的方法：一种是将托攻击从评分矩阵中找出并消除其影响；另一种是增强推荐系统鲁棒性，将托攻击检测技术融入推荐算法，容忍攻击者评分概貌存在于推荐系统中，但是在推荐系统预测时屏蔽攻击者的影响，如基于信任的推荐系统将用户的信任度引入推荐算法中，增加可信用户的影响，降低不可信用户的影响。第一种策略可直接采用现有的推荐算法，适合软件模块化，相对简便易行［62］。本章提出了一种基于目标项目分析的托攻击检测框架。主要思路包括：

①找出最有可能是托攻击概貌的疑似概貌集合。(www.xing528.com)

②提出以一种目标项目分析的托攻击检测方法，找出攻击概貌的攻击意图和目标项目。