協(xié)同過濾推薦系統(tǒng)作為緩解“信息過載”問題的有效手段,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、顧客忠誠度等方面有非常重要的作用。但是,協(xié)同過濾推薦系統(tǒng)也有脆弱的一面,惡意用戶在利益驅(qū)使下可以人為地向推薦系統(tǒng)注入大量虛假評分,達(dá)到影響或操縱推薦結(jié)果的目的。因此,如何檢測出各類對協(xié)同過濾推薦系統(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題。本文基于用戶的評分行為,從用戶多源信息的特征提取、多視角集成檢測、自動檢測、基于用戶關(guān)系圖的檢測等方面進(jìn)行了深入研究。首先,針對單一信息源提取的檢測特征不能全面刻畫用戶評分行為的問題,提出一種基于用戶評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,定義項目時間流行度,并采用小波變換方法過濾噪聲和不穩(wěn)定信號。從項目流行度和評分時間融合的角度提取4個用戶特征;從用戶評分的時延,利用修正的條件熵和“休眠-評分”模型,提取2個用戶特征;從用戶評分值和評分時間融合的角度提取2個用戶特征;從不同流行項目集合的角度,提取10個用戶特征。其次,針對檢測特征的冗余問題和有監(jiān)督檢測中的不平衡分類問題,基于上述用戶評... 

【文章頁數(shù)】：130 頁

【學(xué)位級別】：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)督檢測方法
        1.2.2 半監(jiān)督檢測方法
        1.2.3 無監(jiān)督檢測方法
    1.3 本文的主要研究內(nèi)容
    1.4 本文的組織結(jié)構(gòu)
第2章 基于用戶評分行為多源信息的特征提取方法
    2.1 引言
    2.2 項目時間流行度的相關(guān)定義
    2.3 項目時間流行度的小波分解
    2.4 基于項目時間流行度的特征提取
    2.5 基于用戶評分時延的特征提取
    2.6 基于評分動態(tài)均值的特征提取
    2.7 基于不同流行項目集合的特征提取
    2.8 用戶評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
    3.7 欺詐攻擊的多視角集成檢測算法
    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檢測方法
    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框架
    4.4 檢測特征的自動提取
        4.4.1 項目干擾噪聲的確定
        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檢測算法
    4.6 本章小結(jié)
第5章 基于用戶關(guān)系圖的無監(jiān)督欺詐攻擊檢測方法
    5.1 引言
    5.2 相關(guān)理論
        5.2.1 稀疏降噪自動編碼器
        5.2.2 社區(qū)發(fā)現(xiàn)
    5.3 基于用戶關(guān)系圖的無監(jiān)督檢測框架
    5.4 加權(quán)用戶關(guān)系圖的構(gòu)建
    5.5 基聚類結(jié)果的生成
    5.6 欺詐攻擊概貌的社區(qū)檢測
    5.7 基于用戶關(guān)系圖的無監(jiān)督檢測算法
    5.8 本章小結(jié)
第6章 實(shí)驗與評價
    6.1 欺詐攻擊模型與實(shí)驗數(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 主要評價指標(biāo)
    6.3 實(shí)驗設(shè)置與對比算法
        6.3.1 實(shí)驗設(shè)置
        6.3.2 對比算法
    6.4 基于最優(yōu)特征子集劃分的多視角集成檢測方法性能評價
        6.4.1 MVEDM-OFSP在各種攻擊模型下的檢測性能評價
        6.4.2 MVEDM-OFSP的泛化性能評價
        6.4.3 MVEDM-OFSP中人工特征的信息增益評價
        6.4.4 MVEDM-OFSP與單一視角檢測方法的對比
        6.4.5 MVEDM-OFSP在實(shí)際中的檢測性能評價
    6.5 基于邊緣降噪編碼器的自動檢測方法的性能評價
        6.5.1 ADM-mSLDA在各種攻擊模型下的檢測性能評價
        6.5.2 ADM-mSLDA的泛化性能評價
        6.5.3 ADM-mSLDA在實(shí)際中的檢測性能評價
    6.6 基于用戶關(guān)系圖的無監(jiān)督檢測方法的性能評價
        6.6.1 UDM-URG在各種攻擊模型下的檢測性能評價
        6.6.2 UDM-URG在實(shí)際中的檢測性能評價
    6.7 算法運(yùn)行時間的對比
    6.8 本文所提方法的檢測性能對比
        6.8.1 在各種攻擊模型下的檢測性能評價
        6.8.2 在實(shí)際應(yīng)用中的檢測性能評價
        6.8.3 算法優(yōu)缺點(diǎn)及適用場景
    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,萬云.  通信學(xué)報. 2017(02)
[2]復(fù)雜網(wǎng)絡(luò)大數(shù)據(jù)中重疊社區(qū)檢測算法[J]. 喬少杰,韓楠,張凱峰,鄒磊,王宏志,Louis Alberto GUTIERREZ.  軟件學(xué)報. 2017(03)
[3]Boosting算法理論與應(yīng)用研究[J]. 張文生,于廷照.  中國科學(xué)技術(shù)大學(xué)學(xué)報. 2016(03)
[4]基于仿生模式識別的未知推薦攻擊檢測[J]. 周全強(qiáng),張付志,劉文遠(yuǎn).  軟件學(xué)報. 2014(11)

博士論文
[1]基于視角學(xué)習(xí)的分類算法研究[D]. 薛曉偉.浙江大學(xué) 2017
[2]基于可疑用戶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)同過濾的推薦攻擊特征提取及集成檢測方法研究[D]. 周全強(qiáng).燕山大學(xué) 2013
[4]協(xié)同過濾推薦系統(tǒng)托攻擊防御技術(shù)研究[D]. 李聰.國防科學(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]. 康樂樂.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別[D]. 馮茂.南京郵電大學(xué) 2017



本文編號：3691772