本文選題：托攻擊 + 魯棒推薦算法��； 參考：《計(jì)算機(jī)學(xué)報(bào)》2017年06期

【摘要】：協(xié)同推薦系統(tǒng)作為一種重要的個(gè)性化服務(wù)模式,在電子商務(wù)站點(diǎn)中的應(yīng)用越來越廣泛.然而,各種惡意欺騙和虛假反饋已制約了其應(yīng)有效能的發(fā)揮.如何有效識(shí)別和抵御托攻擊,確保系統(tǒng)推薦的可信性,是推薦系統(tǒng)研究面臨的一大挑戰(zhàn).為了確保推薦的可信性,人們提出了各種基于矩陣分解的魯棒協(xié)同推薦算法.但是這些推薦算法在面對(duì)托攻擊時(shí)不僅精度損失大,而且魯棒性較差.為此,該文提出一種基于非線性特征和Cauchy加權(quán)M-估計(jì)量的魯棒推薦算法.首先,采用核主成分分析方法提取用戶評(píng)分矩陣的非線性特征,以充分挖掘推薦系統(tǒng)中用戶(或項(xiàng)目)之間的內(nèi)在關(guān)聯(lián),最大限度地保留用戶和項(xiàng)目的特征信息,提高推薦精度和魯棒性;然后,引入魯棒統(tǒng)計(jì)中的Cauchy加權(quán)M-估計(jì)量,并聯(lián)合矩陣分解模型對(duì)用戶和項(xiàng)目特征矩陣進(jìn)行魯棒參數(shù)估計(jì),以限制攻擊概貌對(duì)參數(shù)估計(jì)過程產(chǎn)生的影響;最后,設(shè)計(jì)相應(yīng)的魯棒協(xié)同推薦算法,并在MovieLens和Netflix數(shù)據(jù)集上對(duì)算法的有效性進(jìn)行評(píng)價(jià).實(shí)驗(yàn)結(jié)果表明:該文算法在推薦精度和魯棒性方面明顯優(yōu)于現(xiàn)有的魯棒推薦算法.
[Abstract]:As an important personalized service mode, collaborative recommendation system is more and more widely used in e-commerce sites. However, all kinds of malicious deception and false feedback have restricted its effectiveness. How to effectively identify and resist trust attacks and ensure the credibility of the system recommendation system is a major challenge to the research of recommendation system. In order to ensure the credibility of recommendation, various robust collaborative recommendation algorithms based on matrix decomposition are proposed. However, these recommended algorithms not only have a large loss of precision but also have poor robustness in the face of support attacks. In this paper, a robust recommendation algorithm based on nonlinear features and Cauchy weighted M- estimator is proposed. Firstly, the kernel principal component analysis (KPCA) method is used to extract the nonlinear features of the user scoring matrix in order to fully mine the internal relationship between the users (or items) in the recommendation system, and to retain the feature information of the user and the item to the maximum extent. Then, the Cauchy weighted M- estimator in robust statistics is introduced, and the robust parameter estimation of user and item characteristic matrix is carried out by combining matrix decomposition model. Finally, a robust collaborative recommendation algorithm is designed and evaluated on Movie Lens and Netflix datasets. Experimental results show that the proposed algorithm is superior to the existing robust recommendation algorithm in recommendation accuracy and robustness.
【作者單位】： 燕山大學(xué)信息科學(xué)與工程學(xué)院;河北省計(jì)算機(jī)虛擬技術(shù)與系統(tǒng)集成重點(diǎn)實(shí)驗(yàn)室(燕山大學(xué));
【基金】：國(guó)家自然科學(xué)基金(61379116) 河北省自然科學(xué)基金(F2013203124,F2015203046) 河北省高等學(xué)�？茖W(xué)技術(shù)研究重點(diǎn)項(xiàng)目基金(ZH2012028)資助~~
【分類號(hào)】：TP391.3

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 徐義峰;徐云青;劉曉平;;一種基于時(shí)間序列性的推薦算法[J];計(jì)算機(jī)系統(tǒng)應(yīng)用;2006年10期

2 余小鵬;;一種基于多層關(guān)聯(lián)規(guī)則的推薦算法研究[J];計(jì)算機(jī)應(yīng)用;2007年06期

3 張海玉;劉志都;楊彩;賈松浩;;基于頁面聚類的推薦算法的改進(jìn)[J];計(jì)算機(jī)應(yīng)用與軟件;2008年09期

4 張立燕;;一種基于用戶事務(wù)模式的推薦算法[J];福建電腦;2009年03期

5 王晗;夏自謙;;基于蟻群算法和瀏覽路徑的推薦算法研究[J];中國(guó)科技信息;2009年07期

6 周珊丹;周興社;王海鵬;倪紅波;張桂英;苗強(qiáng);;智能博物館環(huán)境下的個(gè)性化推薦算法[J];計(jì)算機(jī)工程與應(yīng)用;2010年19期

7 王文;;個(gè)性化推薦算法研究[J];電腦知識(shí)與技術(shù);2010年16期

8 張愷;秦亮曦;寧朝波;李文閣;;改進(jìn)評(píng)價(jià)估計(jì)的混合推薦算法研究[J];微計(jì)算機(jī)信息;2010年36期

9 夏秀峰;代沁;叢麗暉;;用戶顯意識(shí)下的多重態(tài)度個(gè)性化推薦算法[J];計(jì)算機(jī)工程與應(yīng)用;2011年16期

10 楊博;趙鵬飛;;推薦算法綜述[J];山西大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年03期

相關(guān)會(huì)議論文 前10條

1 王韜丞;羅喜軍;杜小勇;;基于層次的推薦:一種新的個(gè)性化推薦算法[A];第二十四屆中國(guó)數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2007年

2 唐燦;;基于模糊用戶心理模式的個(gè)性化推薦算法[A];2008年計(jì)算機(jī)應(yīng)用技術(shù)交流會(huì)論文集[C];2008年

3 秦國(guó);杜小勇;;基于用戶層次信息的協(xié)同推薦算法[A];第二十一屆中國(guó)數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2004年

4 周玉妮;鄭會(huì)頌;;基于瀏覽路徑選擇的蟻群推薦算法:用于移動(dòng)商務(wù)個(gè)性化推薦系統(tǒng)[A];社會(huì)經(jīng)濟(jì)發(fā)展轉(zhuǎn)型與系統(tǒng)工程——中國(guó)系統(tǒng)工程學(xué)會(huì)第17屆學(xué)術(shù)年會(huì)論文集[C];2012年

5 蘇日啟;胡皓;汪秉宏;;基于網(wǎng)絡(luò)的含時(shí)推薦算法[A];第五屆全國(guó)復(fù)雜網(wǎng)絡(luò)學(xué)術(shù)會(huì)議論文（摘要）匯集[C];2009年

6 梁莘q，

本文編號(hào)：2067294