協(xié)同過(guò)濾推薦系統(tǒng)作為緩解“信息過(guò)載”問(wèn)題的有效手段,廣泛應(yīng)用于電子商務(wù)領(lǐng)域,在提升網(wǎng)站瀏覽量、商品轉(zhuǎn)化率、顧客忠誠(chéng)度等方面有非常重要的作用。但是,協(xié)同過(guò)濾推薦系統(tǒng)也有脆弱的一面,惡意用戶(hù)在利益驅(qū)使下可以人為地向推薦系統(tǒng)注入大量虛假評(píng)分,達(dá)到影響或操縱推薦結(jié)果的目的。因此,如何檢測(cè)出各類(lèi)對(duì)協(xié)同過(guò)濾推薦系統(tǒng)造成威脅的欺詐攻擊,保證推薦質(zhì)量,保障推薦結(jié)果的可信性,是當(dāng)前迫切需要解決的問(wèn)題。本文基于用戶(hù)的評(píng)分行為,從用戶(hù)多源信息的特征提取、多視角集成檢測(cè)、自動(dòng)檢測(cè)、基于用戶(hù)關(guān)系圖的檢測(cè)等方面進(jìn)行了深入研究。首先,針對(duì)單一信息源提取的檢測(cè)特征不能全面刻畫(huà)用戶(hù)評(píng)分行為的問(wèn)題,提出一種基于用戶(hù)評(píng)分行為多源信息的特征提取方法。具體地,基于信息融合的思想,定義項(xiàng)目時(shí)間流行度,并采用小波變換方法過(guò)濾噪聲和不穩(wěn)定信號(hào)。從項(xiàng)目流行度和評(píng)分時(shí)間融合的角度提取4個(gè)用戶(hù)特征;從用戶(hù)評(píng)分的時(shí)延,利用修正的條件熵和“休眠-評(píng)分”模型,提取2個(gè)用戶(hù)特征;從用戶(hù)評(píng)分值和評(píng)分時(shí)間融合的角度提取2個(gè)用戶(hù)特征;從不同流行項(xiàng)目集合的角度,提取10個(gè)用戶(hù)特征。其次,針對(duì)檢測(cè)特征的冗余問(wèn)題和有監(jiān)督檢測(cè)中的不平衡分類(lèi)問(wèn)題,基于上述用戶(hù)評(píng)... 

【文章頁(yè)數(shù)】：130 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 研究現(xiàn)狀
        1.2.1 有監(jiān)督檢測(cè)方法
        1.2.2 半監(jiān)督檢測(cè)方法
        1.2.3 無(wú)監(jiān)督檢測(cè)方法
    1.3 本文的主要研究?jī)?nèi)容
    1.4 本文的組織結(jié)構(gòu)
第2章 基于用戶(hù)評(píng)分行為多源信息的特征提取方法
    2.1 引言
    2.2 項(xiàng)目時(shí)間流行度的相關(guān)定義
    2.3 項(xiàng)目時(shí)間流行度的小波分解
    2.4 基于項(xiàng)目時(shí)間流行度的特征提取
    2.5 基于用戶(hù)評(píng)分時(shí)延的特征提取
    2.6 基于評(píng)分動(dòng)態(tài)均值的特征提取
    2.7 基于不同流行項(xiàng)目集合的特征提取
    2.8 用戶(hù)評(píng)分行為的特征提取算法
    2.9 本章小結(jié)
第3章 基于最優(yōu)特征子集劃分的多視角集成檢測(cè)方法
    3.1 引言
    3.2 相關(guān)理論
        3.2.1 特征選擇
        3.2.2 多視角學(xué)習(xí)
        3.2.3 支持向量機(jī)
        3.2.4 集成學(xué)習(xí)
    3.3 基于最優(yōu)特征子集劃分的多視角集成檢測(cè)框架
    3.4 多視角構(gòu)建
    3.5 多視角學(xué)習(xí)
    3.6 多視角集成檢測(cè)
    3.7 欺詐攻擊的多視角集成檢測(cè)算法
    3.8 本章小結(jié)
第4章 基于邊緣降噪編碼器的欺詐攻擊自動(dòng)檢測(cè)方法
    4.1 引言
    4.2 相關(guān)理論
        4.2.1 邊緣降噪編碼器
        4.2.2 AdaBoost算法
    4.3 基于邊緣降噪編碼器的檢測(cè)框架
    4.4 檢測(cè)特征的自動(dòng)提取
        4.4.1 項(xiàng)目干擾噪聲的確定
        4.4.2 基于稀疏系數(shù)的低維特征提取
        4.4.3 堆棧邊緣線(xiàn)性降噪編碼器的結(jié)構(gòu)
    4.5 基于邊緣降噪編碼器的自動(dòng)檢測(cè)算法
    4.6 本章小結(jié)
第5章 基于用戶(hù)關(guān)系圖的無(wú)監(jiān)督欺詐攻擊檢測(cè)方法
    5.1 引言
    5.2 相關(guān)理論
        5.2.1 稀疏降噪自動(dòng)編碼器
        5.2.2 社區(qū)發(fā)現(xiàn)
    5.3 基于用戶(hù)關(guān)系圖的無(wú)監(jiān)督檢測(cè)框架
    5.4 加權(quán)用戶(hù)關(guān)系圖的構(gòu)建
    5.5 基聚類(lèi)結(jié)果的生成
    5.6 欺詐攻擊概貌的社區(qū)檢測(cè)
    5.7 基于用戶(hù)關(guān)系圖的無(wú)監(jiān)督檢測(cè)算法
    5.8 本章小結(jié)
第6章 實(shí)驗(yàn)與評(píng)價(jià)
    6.1 欺詐攻擊模型與實(shí)驗(yàn)數(shù)據(jù)集
        6.1.1 欺詐攻擊模型
        6.1.2 Netflix數(shù)據(jù)集
        6.1.3 Amazon數(shù)據(jù)集
    6.2 主要評(píng)價(jià)指標(biāo)
    6.3 實(shí)驗(yàn)設(shè)置與對(duì)比算法
        6.3.1 實(shí)驗(yàn)設(shè)置
        6.3.2 對(duì)比算法
    6.4 基于最優(yōu)特征子集劃分的多視角集成檢測(cè)方法性能評(píng)價(jià)
        6.4.1 MVEDM-OFSP在各種攻擊模型下的檢測(cè)性能評(píng)價(jià)
        6.4.2 MVEDM-OFSP的泛化性能評(píng)價(jià)
        6.4.3 MVEDM-OFSP中人工特征的信息增益評(píng)價(jià)
        6.4.4 MVEDM-OFSP與單一視角檢測(cè)方法的對(duì)比
        6.4.5 MVEDM-OFSP在實(shí)際中的檢測(cè)性能評(píng)價(jià)
    6.5 基于邊緣降噪編碼器的自動(dòng)檢測(cè)方法的性能評(píng)價(jià)
        6.5.1 ADM-mSLDA在各種攻擊模型下的檢測(cè)性能評(píng)價(jià)
        6.5.2 ADM-mSLDA的泛化性能評(píng)價(jià)
        6.5.3 ADM-mSLDA在實(shí)際中的檢測(cè)性能評(píng)價(jià)
    6.6 基于用戶(hù)關(guān)系圖的無(wú)監(jiān)督檢測(cè)方法的性能評(píng)價(jià)
        6.6.1 UDM-URG在各種攻擊模型下的檢測(cè)性能評(píng)價(jià)
        6.6.2 UDM-URG在實(shí)際中的檢測(cè)性能評(píng)價(jià)
    6.7 算法運(yùn)行時(shí)間的對(duì)比
    6.8 本文所提方法的檢測(cè)性能對(duì)比
        6.8.1 在各種攻擊模型下的檢測(cè)性能評(píng)價(jià)
        6.8.2 在實(shí)際應(yīng)用中的檢測(cè)性能評(píng)價(jià)
        6.8.3 算法優(yōu)缺點(diǎn)及適用場(chǎng)景
    6.9 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀博士學(xué)位期間承擔(dān)的科研任務(wù)與主要成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]社交網(wǎng)絡(luò)中基于模塊度最大化的標(biāo)簽傳播算法的研究[J]. 陳晶,萬(wàn)云.  通信學(xué)報(bào). 2017(02)
[2]復(fù)雜網(wǎng)絡(luò)大數(shù)據(jù)中重疊社區(qū)檢測(cè)算法[J]. 喬少杰,韓楠,張凱峰,鄒磊,王宏志,Louis Alberto GUTIERREZ.  軟件學(xué)報(bào). 2017(03)
[3]Boosting算法理論與應(yīng)用研究[J]. 張文生,于廷照.  中國(guó)科學(xué)技術(shù)大學(xué)學(xué)報(bào). 2016(03)
[4]基于仿生模式識(shí)別的未知推薦攻擊檢測(cè)[J]. 周全強(qiáng),張付志,劉文遠(yuǎn).  軟件學(xué)報(bào). 2014(11)

博士論文
[1]基于視角學(xué)習(xí)的分類(lèi)算法研究[D]. 薛曉偉.浙江大學(xué) 2017
[2]基于可疑用戶(hù)度量的魯棒推薦方法研究[D]. 伊華偉.燕山大學(xué) 2016
[3]面向協(xié)同過(guò)濾的推薦攻擊特征提取及集成檢測(cè)方法研究[D]. 周全強(qiáng).燕山大學(xué) 2013
[4]協(xié)同過(guò)濾推薦系統(tǒng)托攻擊防御技術(shù)研究[D]. 李聰.國(guó)防科學(xué)技術(shù)大學(xué) 2012

碩士論文
[1]基于圖正則低秩表示的基因表達(dá)譜數(shù)據(jù)特征選擇算法研究[D]. 康樂(lè)樂(lè).江西理工大學(xué) 2018
[2]基于激光雷達(dá)點(diǎn)云圖像的目標(biāo)識(shí)別方法研究[D]. 楊文輝.西安工業(yè)大學(xué) 2018
[3]基于粒子群優(yōu)化的網(wǎng)絡(luò)視頻流特征選擇與識(shí)別[D]. 馮茂.南京郵電大學(xué) 2017



本文編號(hào)：3691772