推荐系统中托攻击检测研究成果及后续工作展望

本书主要研究了推荐系统中的托攻击检测方法，利用推荐系统用户—评分矩阵稀疏性的特点，结合托攻击行为的群体性特征，提出了基于目标项目分析的托攻击检测框架，并在此基础上分别提出了3类改进的托攻击检测算法，从而在一定程度上提高了推荐系统的抗托攻击能力。本书研究取得了一定的成果，但是仍存在一些需要在今后的研究中解决的问题，具体体现在下述几个方面。

（1）基于目标项目分析的托攻击检测方法有待改进

基于目标项目分析的托攻击检测方法不能有效检测非稀疏评分矩阵，并且该方法只能识别托攻击概貌中评分是最高分或最低分的托攻击概貌。

（2）应提出算法复杂度较低、信息量大的用户概貌属性

当用户概貌填充率较低时，概貌属性提取技术不能有效提取用户概貌属性值，导致检测算法效率较低，且概貌提取技术的算法复杂度较高，造成在用户数和项目数较大时检测的时间成本消耗过大。

推荐系统托攻击检测是一个新兴的研究领域，目前已取得了一定的研究成果，但是在实际系统中托攻击类型不断演化，攻击手段层出不穷，因而对推荐系统托攻击检测研究有新的要求，下一步的研究方向主要有：

（1）概貌属性提取相关技术研究(www.xing528.com)

目前大部分推荐系统托攻击检测技术大都先提取用户概貌属性，然后再通过机器学习的方法检测托攻击概貌。不同的概貌属性从不同的角度反映用户概貌属性，选择合适的用户概貌属性有助于提高托攻击检测算法的精准度，因此，寻找适合检测托攻击的用户概貌属性是一个值得探讨的研究方向。

（2）类不均衡问题的研究

真实环境中虚假用户的数量一般小于正常用户的数量，所以基于监督学习的托攻击检测算法存在着共同的问题，即类不均衡问题，如何处理好基于监督学习的托攻击检测中类不均衡问题是提高托攻击检测准确性的一个可以考虑的研究方向。

（3）用户评分级别的托攻击检测研究

托攻击检测算法不能只通过找出用户真实概貌和托攻击概貌区别上，而是要从多个角度看待托攻击，如正常用户可能只在某一段时间内具有托攻击的性质，而在整体上不呈现恶意用户的托攻击性质，因此从用户评分的量级而不是用户概貌量级上寻找托攻击评分是托攻击检测的一个研究方向。