Jun, 2023

通过伪造评论生成来干扰黑盒基于评论的推荐系统

PDF
TL;DR通过提出基于生成器的模型，利用强化学习生成伪造的评论攻击基于评论的推荐系统，实现狡猾的物品推广，并通过引入辅助奖励和预先训练的语言模型和方面预测器来提高文本流畅性和多样性。然后，经过实验证明，具有对抗性训练的推荐系统能够防止这种攻击。
review-based recommender systemsshilling attacksfake review generatorreinforcement learningadversarial training
发现论文，激发创造
  • 增强型用户档案攻击推荐系统

    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。

    May, 2020

  • 在线评论系统中的自动软件伪造攻击和防御

    本文针对恶意众包论坛在信息传播中的误导性日益严重的问题，使用一种新的攻击方式 —— 基于深度学习语言模型，自动生成伪造商品和服务的在线评论，比传统人工雇佣方式成本更低、攻击规模更大，且有机制可以逃避检测，通过结合 Yelp 评论网站的实例，研究提出相应的防范措施。

    Aug, 2017

  • 通过缓解操纵攻击来推进推荐系统

    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

  • 评审引入的模型无关配置注入攻击对推荐系统的影响

    通过引入产品的文本评论以提高生成质量，我们提出了一种名为 R-Trojan 的新型攻击框架，将攻击目标表述为优化问题，并采用定制的基于转换器的生成对抗网络 (GAN) 进行求解，从而产生高质量的攻击性用户配置文件。在黑盒设置下对各个受害者推荐系统进行的广泛实验证明了 R-Trojan 在多个受害者推荐系统上明显优于现有最先进的攻击方法，并展示了其良好的不可察觉性。

    Feb, 2024

  • 一种面向视觉感知推荐系统的黑盒攻击模型

    该论文研究了基于图像的协同过滤推荐系统中可能存在的视觉攻击，并提出了一种新的视觉攻击模型，该模型可以有效地影响推荐系统中商品的排名，并证明了该攻击模型可以在不了解模型参数的情况下，通过对商品图像进行微小不可察觉的修改，从而提高商品的分数。

    Nov, 2020

  • 知识增强的黑盒推荐算法攻击

    该论文提出了一种利用知识图谱加强黑盒攻击框架 (KGAttack) 的方法，将深度增强学习技术无缝集成到层次化策略网络中，以生成虚假用户文件并进行黑盒攻击。在各种真实世界数据集上的全面实验表明了所提出的攻击框架在黑盒设置下的有效性。

    Jul, 2022

  • 基于生成模型的现代推荐系统综述

    通过综合和多学科的调查研究，本文连接了使用生成模型（Gen-RecSys）在推荐系统中的关键进展，包括：基于交互驱动生成模型的基础概述；大型语言模型（LLM）用于生成推荐、检索和对话推荐的应用；以及用于处理和生成图像和视频内容的多模态模型在推荐系统中的整合。我们的全面观点使我们能够突出评估 Gen-RecSys 的影响和风险所必需的范式，并确定开放挑战。有关论文的更加最新版本可在此 https URL 找到。

    Mar, 2024

  • 具有受限数据访问的实用跨系统水军攻击

    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

  • 基于协同过滤推荐系统的异常用户识别

    本文提出一种新颖的检测方法，通过利用最小二乘近似解，找到评级行为和项目分布之间的映射模型，并使用回归器设计检测器，从而使推荐系统抵抗 “钓鱼” 攻击或 “植入个人资料” 攻击，实验证明我们的方法在检测效果上胜过了 KNN 等基准方法。

    Jun, 2015

  • 社交推荐的无目标黑盒攻击

    通过使用多代理强化学习算法，我们提出了一种名为 Multiattack 的新型框架，用于在黑盒社交推荐系统中进行协调生成冷启动物品概述和跨社区社交关系，以进行非定向的攻击。我们在多个现实世界数据集上进行了综合实验，证明了我们所提出的攻击框架在黑盒环境下的有效性。

    Nov, 2023