基于托攻擊檢測的魯棒非負(fù)矩陣分解推薦算法.pdf

1、由于協(xié)同過濾推薦自身特點以及互聯(lián)網(wǎng)的開放性，使得協(xié)同過濾推薦系統(tǒng)在面對托攻擊時表現(xiàn)的比較脆弱，不能很好抵抗托攻擊的影響。現(xiàn)有的研究雖然已經(jīng)提出了一些魯棒推薦算法，但是這些算法要么對托攻擊的抵抗力不強(qiáng)，在魯棒性上表現(xiàn)不佳；要么通過犧牲推薦精度來提高算法的魯棒性。針對魯棒推薦算法的上述現(xiàn)狀，本文提出了一種基于托攻擊檢測的魯棒非負(fù)矩陣分解推薦算法，在保證推薦精度的同時提高了算法的魯棒性。
　　首先，對傳統(tǒng)的奇異值分解變量選擇算法進(jìn)行了改

2、進(jìn)，并在改進(jìn)的奇異值分解變量選擇算法的基礎(chǔ)上融合平均評分加權(quán)偏離度檢測特征提出了一種基于奇異值分解和平均評分加權(quán)偏離度的托攻擊檢測算法(VSSW)。本文改進(jìn)了傳統(tǒng)的奇異值分解變量選擇算法確定嫌疑用戶標(biāo)記數(shù)的策略，縮小了嫌疑用戶標(biāo)記數(shù)的取值，提高了準(zhǔn)確率。通過在改進(jìn)的奇異值分解變量選擇算法基礎(chǔ)上整合平均評分加權(quán)偏離度檢測特征，進(jìn)一步提高了準(zhǔn)確率。
　　其次，將上述基于奇異值分解和平均評分加權(quán)偏離度的托攻擊檢測算法和基于非負(fù)矩陣分解的

3、魯棒推薦算法相融合提出了基于托攻擊檢測的魯棒非負(fù)矩陣分解推薦算法(VSSW-NMF)。算法在迭代更新之前使用VSSW算法對評分?jǐn)?shù)據(jù)進(jìn)行攻擊檢測，獲得嫌疑用戶集合。之后在非負(fù)矩陣分解的迭代更新過程中過濾掉嫌疑用戶集合中的用戶，從而抵消攻擊概貌對推薦結(jié)果的惡意影響，提高算法的魯棒性。
　　最后，對于本文中所提的算法，在MovieLens1m數(shù)據(jù)集上進(jìn)行了仿真實驗，并將實驗結(jié)果和一些已有的算法進(jìn)行了對比。通過與現(xiàn)有算法的對比表明，本文所