2.793

2018影响因子

(CJCR)

  • 中文核心
  • EI
  • 中国科技核心
  • Scopus
  • CSCD
  • 英国科学文摘

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于用户声誉的鲁棒协同推荐算法

张燕平 张顺 钱付兰 张以文

张燕平, 张顺, 钱付兰, 张以文. 基于用户声誉的鲁棒协同推荐算法. 自动化学报, 2015, 41(5): 1004-1012. doi: 10.16383/j.aas.2015.c140073
引用本文: 张燕平, 张顺, 钱付兰, 张以文. 基于用户声誉的鲁棒协同推荐算法. 自动化学报, 2015, 41(5): 1004-1012. doi: 10.16383/j.aas.2015.c140073
ZHANG Yan-Ping, ZHANG Shun, QIAN Fu-Lan, ZHANG Yi-Wen. Robust Collaborative Recommendation Algorithm Based on User's Reputation. ACTA AUTOMATICA SINICA, 2015, 41(5): 1004-1012. doi: 10.16383/j.aas.2015.c140073
Citation: ZHANG Yan-Ping, ZHANG Shun, QIAN Fu-Lan, ZHANG Yi-Wen. Robust Collaborative Recommendation Algorithm Based on User's Reputation. ACTA AUTOMATICA SINICA, 2015, 41(5): 1004-1012. doi: 10.16383/j.aas.2015.c140073

基于用户声誉的鲁棒协同推荐算法


DOI: 10.16383/j.aas.2015.c140073
详细信息
    作者简介:

    张燕平 安徽大学计算机科学与技术学院教授. 主要研究方向为商空间与智能计算.E-mail: zhangyp2@gmail.com

    通讯作者: 钱付兰 安徽大学计算机科学与技术学院博士研究生. 2005 年获得安徽大学硕士学位. 主要研究方向为社交网络与个性化推荐. E-mail: qianfulan@hotmail.com
  • 基金项目:

    国家自然科学基金 (61175046), 安徽大学青年科学基金 (KJQN1116), 安徽省自然科学基金项目(1408085MF132),教育部人文社科青年基金(14YJC860020)资助

Robust Collaborative Recommendation Algorithm Based on User's Reputation

More Information
  • Fund Project:

    Supported by National Natural Science Foundation of China (61175046), Youth Science Fund of Anhui University (KJQN1116), Natural Science Found of Anhui Province (1408085MF132), and Humanities and Social Science Youth Fund of Ministry of Education (14YJC860020)

  • 摘要: 随着推荐系统在电子商务界的快速发展以及取得的巨大经济收益, 有目的性的托攻击是目前协同过滤系统面临的重大安全威胁, 研究一种可抵御攻击的鲁棒推荐技术已成为目前推荐系统领域的重要课题.本文利用历史记录得到用户声誉, 建立声誉推荐系统, 并结合协同过滤推荐领域内的隐语义模型, 提出基于用户声誉的隐语义模型鲁棒协同算法.本文提出的算法从人为攻击和自然噪声两个方面对系统的鲁棒性进行了改善.在真实的数据集 Movielens 1M 上的实验表明, 与现有的鲁棒性推荐算法相比, 这种算法具有形式简单、可解释性强、稳定的特点, 且在精度得到一定提升的情况下大大增强了系统抵御攻击的能力.
  • [1] Resnick P, Iakovou N, Sushak M, Bergstrom P, Riedl J. GroupLens: an open architecture for collaborative filtering of netnews. In: Proceedings of the 1994 Computer Supported Cooperative Work. Chapel Hill: ACM, 1994. 175-186
    [2] [2] Hill W C, Stead L, Rosenstein M, Furnas G W. Recommending and evaluating choices in a virtual community of use. In: Proceedings of the 1995 SIGCHI Conference on Human Factors in Computing Systems. Denver: ACM, 1995. 194-201
    [3] [3] Lam S K, Riedl J. Shilling recommender systems for fun and profit. In: Proceedings of the 13th International Conference on World Wide Web. New York, USA: ACM, 2004. 393-402
    [4] [4] O'Mahony M P, Hurley N J, Kushmerick N, Silvestre G C M. Collaborative recommendation: a robustness analysis. ACM Transactions on Internet Technology (TOIT), 2004, 4(4): 344-377
    [5] [5] Mobasher B, Burke R, Sandvig J J. Model-based collaborative filtering as a defense against profile injection attacks. In: Proceedings of the 21st National Conference on Artificial Intelligence and the 18th Innovative Applications of Artificial Intelligence Conference. Boston, Massachusetts, USA: AAAI, 2006.
    [6] [6] Gunes I, Kaleli C, Bilge A, Polat H. Shilling attacks against recommender systems: a comprehensive survey. Artificial Intelligence Review, 2014, 42(4): 767-799
    [7] [7] Mobasher B, Burke R, Williams C, Bhaumik R. Analysis and detection of segment-focused attacks against collaborative recommendation. In: Proceedings of the 7th International Workshop on Knowledge Discovery on the Web. Chicago, IL: Springer Berlin Heidelberg, 2006. 96-118
    [8] [8] Burke R D, Mobasher B, Williams C, Bhaumik R. Classification features for attack detection in collaborative recommender systems. In: Proceedings of the 12th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. Philadelphia, PA, USA: ACM, 2006. 542-547
    [9] [9] Mehta B, Nejdl W. Attack resistant collaborative filtering. In: Proceedings of the 31st Annual International ACM SIGIR Conference on Research and Development in Information Retrieval. New York, USA: ACM, 2008. 75-82
    [10] Li Cong, Luo Zhi-Gang. A metadata-enhanced variational Bayesian matrix factorization model for robust collaborative recommendation. Acta Automatica Sinica, 2011, 37(9): 1067-1076 (李聪, 骆志刚. 用于鲁棒协同推荐的元信息增强变分贝叶斯矩阵分解模型. 自动化学报, 2011, 37(9): 1067-1076)
    [11] O'Mahony M P, Hurley N J, Silvestre G C M. Efficient and secure collaborative filtering through intelligent neighbor selection. In: Proceedings of the 16th European Conference on Artificial Intelligence. Valencia, Spain: IOS Press, 2004. 383-387
    [12] Mehta B, Hofmann T, Nejdl W. Robust collaborative filtering. In: Proceedings of the 2007 ACM Conference on Recommender Systems. New York, USA: ACM, 2007. 49-56
    [13] Huber P J. Robust estimation of a location parameter. The Annals of Mathematical Statistics, 1964, 35(1): 73-101
    [14] Rich E. User modeling via stereotypes. Cognitive Science, 1979, 3(4): 329-354
    [15] Liu Jian-Guo, Zhou Tao, Wang Bing-Hong. The research progress of personalized recommendation system. Progress in Natural Science, 2009, 19(1): 1-15 (刘建国, 周涛, 汪秉宏. 个性化推荐系统的研究进展. 自然科学进展, 2009, 19(1): 1-15)
    [16] Koren Y. Factorization meets the neighborhood: a multifaceted collaborative filtering model. In: Proceedings of the 14th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. Las Vegas, Nevada, USA: ACM, 2008: 426-434
    [17] Koren Y, Robert B, Chris V. Matrix factorization techniques for recommender systems. Computer, 2009, 42(8): 30-37
    [18] Vozalis M G, Margaritis K G. Applying SVD on item-based filtering. In: Proceedings of the 5th International Conference on Intelligent Systems Design and Applications. Greece: IEEE, 2005. 464-469
    [19] Xiang Liang. Recommendation System Practice. Beijing: Posts and Telecom Press, 2012.(项亮. 推荐系统实践. 北京: 人民邮电出版社, 2012.)
    [20] Li R H, Yu J X, Huang X, Cheng H. Robust reputation-based ranking on bipartite rating networks. In: Proceedings of the 2012 SDM International Conference on Data Mining. Hong Kong, China: SIAM, 2012. 612-623
    [21] De Alfaro L, Kulshreshtha A, Pye I, Adler T. Reputation systems for open collaboration. Communications of the ACM, 2011, 54(8): 81-87
    [22] Tang J L, Hu X, Gao H J, Liu H. Exploiting local and global social context for recommendation. In: Proceedings of the 12nd International Joint Conference on Artificial Intelligence. Bellevue, Washington, USA: AAAI Press, 2013. 2712-2718
    [23] Liao H, Cimini G, Medo M. Measuring quality, reputation and trust in online communities. In: Proceedings of the 20th International Symposium on Foundations of Intelligent Systems. Macau, China: Springer Berlin Heidelberg, 2012. 405-414
    [24] Zhou Y B, Lei T, Zhou T. A robust ranking algorithm to spamming. EPL (Europhysics Letters), 2011, 94(4): 48002
    [25] Mobasher B, Burke R, Bhaumik R, Williams C. Toward trustworthy recommender systems: an analysis of attack models and algorithm robustness. ACM Transactions on Internet Technology, 2007, 7(4): 1-40
    [26] Lv L Y, Medo M, Yeung C H, Zhang Y C, Zhang Z K, Zhou T. Recommender systems. Physics Reports, 2012, 519(1): 1-49
  • [1] 周雪, 张皓, 王祝萍. 扩展卡尔曼滤波在受到恶意攻击系统中的状态估计[J]. 自动化学报, 2020, 46(1): 38-46. doi: 10.16383/j.aas.c170609
    [2] 冯永, 陈以刚, 强保华. 融合社交因素和评论文本卷积网络模型的汽车推荐研究[J]. 自动化学报, 2019, 45(3): 518-529. doi: 10.16383/j.aas.2018.c170245
    [3] 敖伟, 宋永端, 温长云. 受攻击信息物理系统的分布式安全状态估计与控制—一种有限时间方法[J]. 自动化学报, 2019, 45(1): 174-184. doi: 10.16383/j.aas.c180385
    [4] 杨飞生, 汪璟, 潘泉, 康沛沛. 网络攻击下信息物理融合电力系统的弹性事件触发控制[J]. 自动化学报, 2019, 45(1): 110-119. doi: 10.16383/j.aas.c180388
    [5] 彭大天, 董建敏, 蔡忠闽, 张长青, 彭勤科. 假数据注入攻击下信息物理融合系统的稳定性研究[J]. 自动化学报, 2019, 45(1): 196-205. doi: 10.16383/j.aas.2018.c180331
    [6] 王琦, 邰伟, 汤奕, 倪明. 面向电力信息物理系统的虚假数据注入攻击研究综述[J]. 自动化学报, 2019, 45(1): 72-83. doi: 10.16383/j.aas.2018.c180369
    [7] 李慧, 马小平, 施珺, 李存华, 仲兆满, 蔡虹. 复杂网络环境下基于信任传递的推荐模型研究[J]. 自动化学报, 2018, 44(2): 363-376. doi: 10.16383/j.aas.2018.c160395
    [8] 潘涛涛, 文峰, 刘勤让. 基于矩阵填充和物品可预测性的协同过滤算法[J]. 自动化学报, 2017, 43(9): 1597-1606. doi: 10.16383/j.aas.2017.c160644
    [9] 黄家辉, 冯冬芹, 王虹鉴. 基于攻击图的工控系统脆弱性量化方法[J]. 自动化学报, 2016, 42(5): 792-798. doi: 10.16383/j.aas.2016.c150517
    [10] 李改, 李磊. 鲁棒的单类协同排序算法[J]. 自动化学报, 2015, 41(2): 405-418. doi: 10.16383/j.aas.2015.c140231
    [11] 李文涛, 高旻, 李华, 熊庆宇, 文俊浩, 凌斌. 一种基于流行度分类特征的托攻击检测算法[J]. 自动化学报, 2015, 41(9): 1563-1576. doi: 10.16383/j.aas.2015.c150040
    [12] 黄雄华, 王宏霞, 蒋伟贞, 崔更申. 基于重心的抗同步攻击的音频水印算法[J]. 自动化学报, 2013, 39(8): 1321-1329. doi: 10.3724/SP.J.1004.2013.01321
    [13] 李聪, 骆志刚. 基于数据非随机缺失机制的推荐系统托攻击探测[J]. 自动化学报, 2013, 39(10): 1681-1690. doi: 10.3724/SP.J.1004.2013.01681
    [14] 杨震, 赖英旭, 段立娟, 李玉鑑, 许昕. 邮件网络协同过滤机制研究[J]. 自动化学报, 2012, 38(3): 399-411. doi: 10.3724/SP.J.1004.2012.00399
    [15] 李聪, 骆志刚. 用于鲁棒协同推荐的元信息增强变分贝叶斯矩阵分解模型[J]. 自动化学报, 2011, 37(9): 1067-1076. doi: 10.3724/SP.J.1004.2011.01067
    [16] 李聪, 骆志刚, 石金龙. 一种探测推荐系统托攻击的无监督算法[J]. 自动化学报, 2011, 37(2): 160-167. doi: 10.3724/SP.J.1004.2011.00160
    [17] 李旭东. 抗几何攻击的空间域图像数字水印算法[J]. 自动化学报, 2008, 34(7): 832-837. doi: 10.3724/SP.J.1004.2008.00832
    [18] Nam T.Nguyen, Svetha Venkatesh, Geoff West, Hung H.Bui. 监控系统中的多摄像机协同[J]. 自动化学报, 2003, 29(3): 408-422.
    [19] 路海明, 李衍达, 卢增祥, 夏慧煜. 基于控制原理和情感计算的信息推荐[J]. 自动化学报, 2002, 28(4): 481-487.
    [20] 苏建龙, 潘垣, 刘保华. 托卡马克等离子体的高精度快响应平衡控制系统的研究[J]. 自动化学报, 1999, 25(4): 524-527.
  • 加载中
计量
  • 文章访问数:  1034
  • HTML全文浏览量:  23
  • PDF下载量:  1040
  • 被引次数: 0
出版历程
  • 收稿日期:  2014-01-28
  • 修回日期:  2014-12-03
  • 刊出日期:  2015-05-20

基于用户声誉的鲁棒协同推荐算法

doi: 10.16383/j.aas.2015.c140073
    作者简介:

    张燕平 安徽大学计算机科学与技术学院教授. 主要研究方向为商空间与智能计算.E-mail: zhangyp2@gmail.com

    通讯作者: 钱付兰 安徽大学计算机科学与技术学院博士研究生. 2005 年获得安徽大学硕士学位. 主要研究方向为社交网络与个性化推荐. E-mail: qianfulan@hotmail.com
基金项目:

国家自然科学基金 (61175046), 安徽大学青年科学基金 (KJQN1116), 安徽省自然科学基金项目(1408085MF132),教育部人文社科青年基金(14YJC860020)资助

摘要: 随着推荐系统在电子商务界的快速发展以及取得的巨大经济收益, 有目的性的托攻击是目前协同过滤系统面临的重大安全威胁, 研究一种可抵御攻击的鲁棒推荐技术已成为目前推荐系统领域的重要课题.本文利用历史记录得到用户声誉, 建立声誉推荐系统, 并结合协同过滤推荐领域内的隐语义模型, 提出基于用户声誉的隐语义模型鲁棒协同算法.本文提出的算法从人为攻击和自然噪声两个方面对系统的鲁棒性进行了改善.在真实的数据集 Movielens 1M 上的实验表明, 与现有的鲁棒性推荐算法相比, 这种算法具有形式简单、可解释性强、稳定的特点, 且在精度得到一定提升的情况下大大增强了系统抵御攻击的能力.

English Abstract

参考文献 (26)

目录

    /

    返回文章
    返回