社会化推荐利用社交关系缓解基于评分驱动的推荐系统中存在的稀疏性与冷启动等问题，然而推荐系统开放性的特点使其易受托攻击的严重影响。托攻击者通过注入虚假信息操纵推荐结果，影响推荐系统的公正性。针对此问题，《面向社会化推荐的托攻击及检测研究》完成四方面工作：一是分析社会化推荐中可能的托攻击形式，提出托攻击模型；二是在检测注入评分的攻击时，从选择行为分析入手，提出基于流行度的分类特征；三是在检测注入关系的攻击者时，使用基于拉普拉斯的特征提取方法，对用户的高维特征进行无监督提取；四是在评分与关系特征上分别训练分类器，基于半监督协同训练实现社会化推荐中的托攻击检测。
　　《面向社会化推荐的托攻击及检测研究》适合作为相关专业研究生、本科生及业界人员的参考书。

　　随着电子商务零售业的迅猛发展和社交网络营销的兴起，以用户间社交关系作为额外输入的社会化推荐系统成为新的研究方向。社会化推荐系统基于社交关系体现用户间相似性这一假设，对解决传统推荐系统中存在的冷启动问题和提高推荐结果的准确性具有重要作用。但社会化推荐系统天然开放性的特点，使其容易受到托攻击者注入虚假欺骗信息（虚假评分或虚假关系等）的影响。此类攻击称为“托攻击”，托攻击严重影响了推荐结果的公正性和真实性，降低了用户对系统的信任度。
　　社会化推荐系统可以看成传统推荐系统与在线社交网络结合的产物。现有研究大多关注评分驱动的推荐系统或关系驱动的社交网络中托攻击的检测问题，而较少关注同时受评分和关系驱动的社会化推荐系统可能受到的攻击形式与检测手段。针对现有研究的不足，本书首先对社会化推荐系统中的托攻击者的行为方式进行建模，然后提出用于检测推荐系统与社交网络中虚假欺骗信息的特征提取方法，进而得到社会化推荐系统中的托攻击检测技术。本书分别从以下几个方面展开研究。
　　（1）构建面向社会化推荐系统的托攻击模型，并从攻击成本与攻击效果角度对所提模型进行分析。托攻击模型是托攻击者向系统注入虚假用户概貌的手段。通过分析现有社会化推荐技术的工作原理，归纳出托攻击者可能的攻击形式，从而提出托攻击模型。然后分析攻击模型对推荐结果的影响，得到所提托攻击模型对社会化推荐系统的攻击效果。
　　（2）针对评分驱动的推荐系统中的托攻击问题，提出一种基于流行度分类特征的托攻击检测方法。推荐系统中托攻击者通过注入虚假评分影响推荐结果，传统方法大多从托攻击者的评分方式入手，此类方法难以对新形式攻击进行检测。为了解决这个问题，从托攻击者与正常用户不同的项目选择行为入手，分析用户概貌中项目流行度分布存在的差异，得到用于检测推荐系统托攻击的特征提取方法，最后结合分类器对推荐系统中的托攻击进行检测。
　　（3）针对关系驱动的社交网络中的托攻击问题，提出一种基于拉普拉斯得分的托攻击检测方法。社交网络中托攻击者通过注入虚假关系提升自己的影响力，从而达到传播虚假信息的目的。现有方法在训练模型时使用的特征维度较高，造成检测准确性不足。为了解决这个问题，提出无监督的特征选择方法，该方法通过拉普拉斯得分衡量特征的局部信息保持能力，以进行特征选择。在此基础上，结合半监督学习方法对社交网络中的托攻击进行检测。
　　（4）面向社会化推荐系统中的托攻击检测问题，提出一种基于半监督协同训练的社会化推荐系统托攻击检测方法。社会化推荐系统中的用户包括评分特征与关系特征，因此可以利用推荐系统与社交网络中检测托攻击的特征提取方法，得到用户评分视图与关系视图的特征。同时考虑到系统中标签不足的问题，将半监督协同训练算法用于模型构建，在两个独立的特征子图上分别训练分类器，从而对社会化推荐系统中的托攻击进行检测。
　　本书受国家自然科学基金“基于用户可信度的抗托攻击协同过滤推荐机理研究”（项目编号：71102065）、重庆市前沿与应用基础研究计划“基于多维社交关系挖掘的抗干扰社会化推荐研究”（项目编号：CSTS2015JCYJA40049）、中国博士后基金“基于虚假用户群体特征的抗托攻击协同过滤关键技术研究”（项目编号：2012M521680）、中央高校基金“多视图协同训练的托攻击检测研究”（项目编号：106112014CDJZR095502）等项目的资助，在此表示感谢。
　　限于本书作者的学识水平，书中不足之处在所难免，恳请读者批评指正。
查看全部↓

前言
第1章 绪论
1．1 研究背景及意义
1．2 研究现状
1．2．1 社会化推荐系统研究现状
1．2．2 评分驱动的推荐系统中托攻击检测研究现状
1．2．3 关系驱动的社交网络中托攻击检测研究现状
1．3 研究内容和目的
1．3．1 研究内容
1．3．2 创新点
1．4 本书的组织结构


第2章 社会化推荐系统与托攻击检测相关技术
2．1 评分驱动的推荐算法
2．2 社会化推荐算法
2．3 评分驱动的推荐系统中的托攻击研究
2．3．1 评分驱动的推荐系统中的托攻击模型
2．3．2 评分驱动的推荐系统中的托攻击检测
2．4 关系驱动的社交网络中托攻击研究
2．4．1 关系驱动的社交网络中的托攻击形式
2．4．2 关系驱动的社交网络中的托攻击检测
2．5 半监督学习方法
2．6 本章小结


第3章 面向社会化推荐系统的托攻击模型
3．1 引言
3．2 预备知识
3．2．1 引例
3．2．2 基本定义
3．3 社会化推荐系统中的托攻击建模
3．3．1 托攻击建模
3．3．2 攻击策略研究
3．4 实验与结果分析
3．4．1 实验设置
3．4．2 实验结果分析
3．5 本章小结


第4章 基于流行度分类特征的推荐系统托攻击检测方法
4．1 引言
4．2 预备知识
4．2．1 基本概念
4．2．2 基于评分的推荐系统托攻击分类特征
4．3 方法依据
4．3．1 项目流行度分布分析
4．3．2 用户流行度分布分析
4．4 基于流行度的托攻击检测算法
4．4．1 算法框架
4．4．2 特征提取方法
4．4．3 托攻击检测算法PoD-SAD
4．5 实验与结果分析
4．5．1 实验设置
4．5．2 实验结果分析
4．6 Amazon．cn虚假用户检测分析
4．6．1 流行度分布分析
4．6．2 检测效果分析
4．7 本章小结


第5章 基于拉普拉斯得分的社交网络托攻击检测方法
5．1 引言
5．2 基于拉普拉斯得分的托攻击检测算法
5．2．1 算法框架
5．2．2 基于拉普拉斯得分的特征选择
5．2．3 基于半监督随机森林的分类算法
5．2．4 LSC0-Forest算法
5．3 实验与结果分析
5．3．1 实验设置
5．3．2 实验结果分析
5．4 本章小结


第6章 基于协同训练的社会化推荐系统托攻击检测方法
6．1 引言
6．2 预备知识
6．2．1 社会化推荐系统托攻击模型
6．2．2 用于检测社会化推荐系统托攻击的特征提取方法
6．3 基于协同训练的托攻击检测算法
6．3．1 算法框架
6．3．2 特征提取
6．3．3 模型训练
6．3．4 CO-SAD模型与结果预测
6．4 实验与结果分析
6．4．1 实验设置
6．4．2 实验结果分析
6．5 本章小结


第7章总结与展望
7．1 总结
7．2 展望
参考文献
查看全部↓