本文關(guān)鍵詞：基于托攻擊檢測與貝葉斯概率矩陣分解的魯棒推薦算法

  更多相關(guān)文章： 魯棒協(xié)同推薦算法 托攻擊檢測 貝葉斯概率矩陣分解 主成分分析

【摘要】：由于推薦系統(tǒng)中評分?jǐn)?shù)據(jù)的稀疏性以及惡意用戶的存在,現(xiàn)有的協(xié)同過濾推薦算法普遍存在著以下問題:攻擊概貌容易對項目特征矩陣產(chǎn)生影響,最終使推薦系統(tǒng)的推薦結(jié)果出現(xiàn)偏差;現(xiàn)有的魯棒算法對托攻擊或是噪聲的抗干擾能力不強,魯棒性差;有些魯棒推薦算法通過犧牲推薦精度的方法來提高系統(tǒng)的魯棒性。因此,本文提出了一種基于貝葉斯概率矩陣分解的魯棒協(xié)同推薦算法,以達(dá)到提高推薦系統(tǒng)的推薦準(zhǔn)確率和系統(tǒng)魯棒性的目的。本文的主要研究內(nèi)容如下:首先,提出了一種惡意用戶檢測算法(EPCA),用于用戶嫌疑度的檢測。算法利用主成分分析法得到嫌疑用戶集合,之后利用均值偏移量來識別出目標(biāo)項目,最后依據(jù)目標(biāo)項目對嫌疑用戶集合中真實用戶做進(jìn)一步識別。算法對大部分攻擊概貌進(jìn)行識別,并能夠精確識別出目標(biāo)項目。然后,提出了一種基于概率的魯棒推薦算法(RBPMF),算法融合了評分矩陣與項目屬性矩陣的先驗信息,經(jīng)過貝葉斯變換最終獲取用戶和項目的特征向量。算法通過引入項目屬性降低了評分?jǐn)?shù)據(jù)對項目信息對項目特征矩陣的影響,從而可降低攻擊概貌對推薦系統(tǒng)的影響,同時貝葉斯概率矩陣的動態(tài)參數(shù)的引入可提高推薦精度。之后,將上述EPCA算法與魯棒推薦算法融合,形成基于貝葉斯概率矩陣分解的魯棒協(xié)同推薦模型(RBPMF-EPCA)。魯棒推薦算法通過引入EPCA算法檢測出的嫌疑用戶和目標(biāo)項目,進(jìn)一步提高了推薦算法的魯棒性。最后,設(shè)計出相應(yīng)的魯棒推薦算法,并在Movielens數(shù)據(jù)集上進(jìn)行了仿真實驗,并與一些經(jīng)典算法進(jìn)行了對比,結(jié)果表明與現(xiàn)有模型相比,該模型可以在提高推薦精度的同時提高系統(tǒng)的魯棒性。
【關(guān)鍵詞】：魯棒協(xié)同推薦算法 托攻擊檢測 貝葉斯概率矩陣分解 主成分分析
【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11-14
• 1.3 主要研究內(nèi)容14-15
• 1.4 本文組織結(jié)構(gòu)15-16
• 第2章 推薦系統(tǒng)及其魯棒性16-26
• 2.1 推薦系統(tǒng)基本概念16
• 2.2 常見的推薦算法16-22
• 2.2.1 基于內(nèi)容的推薦算法17
• 2.2.2 基于用戶的協(xié)同過濾17-20
• 2.2.3 基于項目的協(xié)同過濾20-21
• 2.2.4 基于模型的協(xié)同過濾21
• 2.2.5 混合推薦算法21-22
• 2.3 推薦系統(tǒng)所面臨的問題22
• 2.4 托攻擊22-25
• 2.4.1 攻擊模型23-24
• 2.4.2 常見的攻擊類型24-25
• 2.5 本章小結(jié)25-26
• 第3章 基于EPCA的托攻擊檢測算法26-34
• 3.1 引言26
• 3.2 嫌疑用戶檢測算法26-30
• 3.2.1 檢測算法26-28
• 3.2.2 VarSelectSVD算法28-29
• 3.2.3 MMF算法29-30
• 3.3 EPCA算法30-31
• 3.4 算法描述31-33
• 3.5 本章小結(jié)33-34
• 第4章 基于貝葉斯概率矩陣分解的魯棒推薦算法34-42
• 4.1 引言34
• 4.2 概率矩陣分解模型34-36
• 4.2.1 矩陣分解模型34-35
• 4.2.2 概率矩陣分解模型35-36
• 4.3 基于貝葉斯概率矩陣分解的魯棒推薦算法36-39
• 4.3.1 魯棒貝葉斯概率矩陣分解模型36-39
• 4.3.2 基于貝葉斯概率矩陣和托攻擊檢測的魯棒協(xié)同過濾算法39
• 4.4 算法描述39-40
• 4.5 本章小結(jié)40-42
• 第5章 實驗結(jié)果及分析42-53
• 5.1 實驗數(shù)據(jù)42-43
• 5.2 實驗環(huán)境43
• 5.3 實驗評價標(biāo)準(zhǔn)43-44
• 5.4 參數(shù)的選取44-47
• 5.4.1 參數(shù)θ對EPCA算法的影響45
• 5.4.2 參數(shù)α和β對PS值的影響45-47
• 5.5 EPCA算法實驗結(jié)果及分析47
• 5.6 RBPMF-EPCA算法實驗結(jié)果及分析47-52
• 5.6.1 算法的推薦精度對比48-50
• 5.6.2 算法的魯棒性對比50-52
• 5.7 本章小結(jié)52-53
• 結(jié)論53-55
• 參考文獻(xiàn)55-60
• 攻讀碩士學(xué)位期間承擔(dān)的科研任務(wù)與主要成果60-61
• 致謝61-62
• 作者簡介62

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前2條

1 李聰;駱志剛;;用于魯棒協(xié)同推薦的元信息增強變分貝葉斯矩陣分解模型[J];自動化學(xué)報;2011年09期

2 趙琴琴;魯凱;王斌;;SPCF:一種基于內(nèi)存的傳播式協(xié)同過濾推薦算法[J];計算機(jī)學(xué)報;2013年03期

，

本文編號：734222