该论文提出了一种准确检测系统中有假评价账户的算法,并研究这些账户对推荐系统的影响。
Apr, 2024
本研究探讨针对协同过滤模型的 shilling 攻击,特别是从用户 - 项目角度的攻击策略和考虑用户类别的影响。使用 Yelp 和 MovieLens 数据集进行实验,结果表明在不同数据集中,冷 / 热门用户呈现出截然不同的行为模式。
Aug, 2019
本研究利用影响函数解决基于矩阵分解的推荐系统数据污染的问题,并通过优化问题构造一定数量的假用户,随后迫使推荐系统为普通用户推荐特定物品。该方法被证明是高效的,优于现有方法。
Feb, 2020
本文提出了一种基于 GraphRfi 的 GCN 用户表示学习框架,以实现强健的建议和舞弊者检测,此框架在强健的评级预测和舞弊者检测这两个任务中表现更为优越,并且证实其比现有的推荐系统更具鲁棒性。
May, 2020
本论文研究了网络推荐系统中恶意注入攻击的影响,特别是提出了一种基于生成对抗网络的新颖增强型恶意注入攻击框架(AUSH)以及攻击检测模型。实验表明 AUSH 攻击在各种推荐系统上产生了明显的影响,而且在攻击检测模型下几乎无法检测到。
本研究针对基于深度学习的推荐系统进行了第一次系统性研究,提出了一个注入可控用户的数据污染攻击模型并发现此攻击在小、大规模数据集上都表现出色,同时提出多种优化方法用于解决此非凸整数编程问题。
Jan, 2021
本研究分析了炒信攻击方法的实际应用问题,提出了跨系统攻击的概念并设计了一个新的实用跨系统炒信攻击框架,使用图拓扑知识进行自我监督的训练,在很少了解受害者 RS 模型和目标 RS 数据情况下构建虚假档案,具有比现有基线的卓越性能。
Feb, 2023
本文针对序列推荐系统中的对抗攻击,提出了基于替换的对抗攻击算法和一种称为 Dirichlet 邻域采样的有效防御方法。均在各类模型架构与数据集上获得了较好的效果。
Jul, 2022
该研究探讨了在联邦推荐系统中执行促销攻击的策略,引入了一种无需额外信息的新型假用户基础的中毒攻击,称为 PoisonFRS,该攻击能有效地促进攻击者选择的目标物品并且在潜在空间中无法区分真实用户和虚假用户的模型更新。
Feb, 2024
本研究提出了一种名为 CopyAttack 的强化学习黑盒攻击方法,可以利用源域中的真实用户信息,在目标域中推广一组项目,从而最大化目标域中用户 Top-k 推荐列表中目标项目的点击率,并在实验中验证了该方法的有效性,并进行了深入的模型分析。