本文關(guān)鍵詞：基于有序項目序列的推薦攻擊集成測方法，，由筆耕文化傳播整理發(fā)布。

【摘要】：網(wǎng)絡(luò)的快速發(fā)展讓人們感覺到了前所未有的方便,人們足不出戶就可以購物、交流、休閑和娛樂等等。但互聯(lián)網(wǎng)帶來的副作用也顯而易見,當(dāng)人們面對海量信息時往往手足無措、難以辨別真?zhèn)巍o從選擇,我們把這種現(xiàn)象稱為“信息過載”。協(xié)同過濾推薦系統(tǒng)很好的解決了“信息過載”的問題,而且應(yīng)用廣泛,其應(yīng)用領(lǐng)域包括電子商務(wù)、多媒體和社交網(wǎng)絡(luò)等。需要說明的是協(xié)同過濾推薦系統(tǒng)并非完美,由于推薦系統(tǒng)自身的缺陷導(dǎo)致某些攻擊者為了商業(yè)利益對各種商品進行推薦攻擊,給終端用戶做出不真實的推薦,這最終導(dǎo)致人們改變了最初對推薦系統(tǒng)的信任態(tài)度。為了解決這個問題,學(xué)者們研究出了許多針對推薦系統(tǒng)攻擊檢測方法,這些方法主要解決的核心問題為降低誤報率和提高準確率。針對有監(jiān)督檢測方法在推薦攻擊檢測時準確率不高的問題,本文提出一種基于有序項目序列的推薦攻擊集成檢測方法。首先,通過分析真實用戶概貌和攻擊概貌在評分模式上的差異,構(gòu)建有序流行項目序列和有序新穎項目序列,依據(jù)這兩條項目序列構(gòu)建每個用戶概貌的流行項目評分序列和新穎項目評分序列。其次,根據(jù)每個用戶的流行項目評分序列和新穎項目評分序列得到用戶評分流行度和用戶評分新穎度兩個特征,根據(jù)有序流行項目序列和有序新穎項目序列劃分項目集合并結(jié)合互信息知識提取四個特征。最后,提出一種推薦攻擊集成檢測框架,通過Bootstrap重抽樣技術(shù)生成多個差異較大的基訓(xùn)練集,訓(xùn)練生成多棵決策樹基分類器,檢測時使用簡單多數(shù)投票方式將每個基分類器的預(yù)測值進行融合得到最終的檢測結(jié)果。實驗結(jié)果表明基于有序項目序列的推薦系統(tǒng)集成檢測方法具有較高的準確率和召回率。
【關(guān)鍵詞】：協(xié)同過濾推薦 托攻擊 特征提取 集成檢測 有序項目序列
【學(xué)位授予單位】：燕山大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TP393.08;TP391.3
【目錄】：

• 摘要5-6
• Abstract6-10
• 第1章 緒論10-16
• 1.1 研究背景及意義10-11
• 1.2 國內(nèi)外研究現(xiàn)狀11-13
• 1.3 本文的主要研究內(nèi)容13-14
• 1.4 本文的組織結(jié)構(gòu)14-16
• 第2章 協(xié)同過濾推薦技術(shù)及攻擊模型介紹16-26
• 2.1 協(xié)同過濾推薦技術(shù)16-19
• 2.1.1 基于用戶的協(xié)同過濾推薦算法17-19
• 2.1.2 基于項目的協(xié)同過濾推薦算法19
• 2.2 協(xié)同過濾推薦系統(tǒng)中出現(xiàn)的攻擊模型介紹19-23
• 2.2.1 面向協(xié)同過濾的推薦攻擊檢測技術(shù)20-21
• 2.2.2 推薦攻擊檢測中的相關(guān)概念21-22
• 2.2.3 常見的攻擊模型介紹22-23
• 2.3 機器學(xué)習(xí)相關(guān)知識介紹23-25
• 2.3.1 支持向量機算法介紹23-24
• 2.3.2 決策樹算法介紹24-25
• 2.4 本章小結(jié)25-26
• 第3章 基于有序項目序列的特征提取26-35
• 3.1 有序項目序列的生成26-29
• 3.1.1 生成有序流行項目序列26-28
• 3.1.2 生成有序新穎項目序列28-29
• 3.2 特征提取29-33
• 3.3 特征提取算法33-34
• 3.4 本章小結(jié)34-35
• 第4章 推薦攻擊集成檢測方法35-42
• 4.1 集成檢測方法介紹35
• 4.2 基分類器的生成35-37
• 4.2.1 生成基訓(xùn)練集35
• 4.2.2 決策樹分類器的生成35-36
• 4.2.3 集成檢測36-37
• 4.3 集成檢測算法的描述37-40
• 4.3.1 基訓(xùn)練集生成算法37-39
• 4.3.2 推薦攻擊集成檢測算法描述39-40
• 4.4 本章小結(jié)40-42
• 第5章 實驗驗證與分析42-54
• 5.1 全文的整體框架42
• 5.2 實驗數(shù)據(jù)和實驗環(huán)境42-43
• 5.2.1 實驗數(shù)據(jù)42
• 5.2.2 對比實驗介紹42-43
• 5.2.3 數(shù)據(jù)生成43
• 5.2.4 實驗環(huán)境43
• 5.3 實驗評價指標43-44
• 5.4 實驗及結(jié)果分析44-52
• 5.4.1 信息增益44-45
• 5.4.2 召回率對比45-47
• 5.4.3 準確率對比47-50
• 5.4.4 綜合指標F1-measure對比50-52
• 5.5 本章小結(jié)52-54
• 結(jié)論54-56
• 參考文獻56-61
• 攻讀碩士學(xué)位期間承擔(dān)的科研任務(wù)與主要成果61-62
• 致謝62-63
• 作者簡介63

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前3條

1 李聰;駱志剛;;基于數(shù)據(jù)非隨機缺失機制的推薦系統(tǒng)托攻擊探測[J];自動化學(xué)報;2013年10期

2 賈大文;曾承;彭智勇;成鵬;陽志敏;盧舟;;一種基于用戶偏好自動分類的社會媒體共享和推薦方法[J];計算機學(xué)報;2012年11期

3 鄧愛林,朱揚勇,施伯樂;基于項目評分預(yù)測的協(xié)同過濾推薦算法[J];軟件學(xué)報;2003年09期

  本文關(guān)鍵詞：基于有序項目序列的推薦攻擊集成測方法，由筆耕文化傳播整理發(fā)布。

本文編號：309804