Robustness analysis of multi-criteria collaborative filtering algorithms against shilling attacks

فیلترینگ همکاری یک روش سیستم پیشنهادی در حال ظهور است که هدف آن هدایت کاربران بر اساس ترجیحات دیگر مشتریان با شباهت های رفتاری است. چنین مکاتبات براساس سابقه ترجیحی کاربران استفاده می شود. تمدید نسبتا جدیدی از طرح های فیلترینگ همکاری سنتی نه تنها به میزان اینکه یک کاربر یک مورد را دوست دارد، بلکه دلیل اینکه او مورد را با جمع آوری تنظیمات چند معیاری با تمرکز بر ویژگی های متمایز اقلام، دوست دارد. این سیستم های فیلترینگ متقابل چند معیار بالقوه برای بهبود دقت سیستم توصیه می شود زیرا آنها دیدگاه های متعدد کاربران را در محصولات نشان می دهد. با این حال، به دلیل ارائه توصیه های دقیق تر، چنین سیستم هایی ممکن است حملات مخرب را به مراتب بیشتر از آنچه که سنتی هستند، مورد حمله قرار دهد. مهاجمین تلاش می کنند پروفایل های جعلی را به خروجی های متعصب این سیستم ها به نفع یک محصول خاص یا خود سیستم تحریف کنند. از آنجا که خروجی سیستم های متخصص مستقیما به سیگنال های ورودی بستگی دارد؛ مداخلات به ورودی ها منجر به شکست در تولید چنین سیستم هایی می شود. در این مطالعه، استراتژی های حمله شیلینگ را در برابر مجموعه های ترجیحی چند معیاری بررسی می کنیم، چگونه می توان سناریو های شناخته شده حمله را در برابر این سیستم ها گسترش داد، و پیشنهاد یک طرح حمله دیگر را پیشنهاد می کنیم. ما تجزیه و تحلیل استحکام الگوریتم های پیشنهاد چند معیاره با استفاده از روش های مختلف تجمع شباهت را با طرح های حمله پیشنهاد شده توسط تحقیقات گسترده ای انجام دادیم. نتایج تجربی در داده های دنیای واقعی نشان می دهد که این سیستم ها به دستکاری ها بسیار آسیب پذیر هستند و برای اطمینان از کیفیت توصیه شده لازم است که اقدامات تشخیص مناسب حمله مورد نیاز باشد. با توجه به یافته های ما، تلاش های دستکاری در چنین سیستم های متخصص، فرایند تصمیم گیری را گمراه می کند.