随着网络信息资源的爆炸式增长，个性化推荐技术作为有效缓解信息过载的个性化推荐技术得到了广泛应用，然而推荐系统开放性的特点使其易受托攻击的影响。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。托攻击研究中较少考虑攻击时间方面的特性，针对此问题，本书完成了三方面工作：一是提出推荐系统中融合时间维度的托攻击形式，并分析融合时间和评分两个维度的托攻击模型对推荐系统的影响；二是从项目评分序列的角度，提出基于项目类型及时间序列动态划分的异常项目检测方法和基于狄利克雷假设检验的异常项目检测方法；三是结合项目评分时间序列进行异常用户检测，提出结合异常项目的检测方法、基于单类分类器的检测方法和半监督的检测方法，以应对不同的推荐系统的应用场景。

目 录
前言
第1章 绪论 1
1.1 推荐系统概述 1
1.2 推荐系统的托攻击问题 3
1.3 托攻击检测的国内外研究现状 3
1.4 本章小结 5
第2章 推荐算法与托攻击检测关键技术 6
2.1 推荐算法 6
2.2 托攻击模型 10
2.3 托攻击检测算法 13
2.4 托攻击的危害性分析及实例 14
2.5 数据集介绍 16
2.6 本章小结 17
第3章 融合时间维度的托攻击模型及影响研究 19
3.1 融合时间维度的托攻击模型 19
3.1.1 等时间注入托攻击模型 20
3.1.2 随机时间注入托攻击模型 21
3.2 融合时间维度的托攻击对平均预测偏移的影响 22
3.2.1 等时间注入托攻击的实验结果 22
3.2.2 随机时间注入托攻击的实验结果 35
3.3 融合时间维度的托攻击对时间区间评分分布相似性的影响 37
3.3.1 时间序列划分方法 37
3.3.2 时间区间相似度度量方法 43
3.3.3 实验结果及分析 43
3.4 本章小结 53
第4章 基于项目类型及时间序列的异常项目检测 54
4.1 融合项目类型划分的时间序列异常项目检测 54
4.1.1 推荐系统中项目类型的界定 54
4.1.2 推荐系统中项目类型的划分算法 56
4.1.3 实验结果及分析 57
4.2 基于时间序列动态划分的异常项目检测 61
4.2.1 基于时间序列动态划分的异常项目检测方法 61
4.2.2 实验结果及分析 63
4.3 本章小结 68
第5章 基于评分序列分布的项目异常检测69
5.1 基础知识 69
5.2 问题描述 72
5.3 算法描述 73
5.3.1 观测值生成 73
5.3.2 参数估计 73
5.3.3 假设检验 74
5.4 实验分析 75
5.4.1 实验设置 76
5.4.2 实验对比分析 76
5.4.3 参数分析 77
5.5 本章小结 78
第6章 融合时间特征和项目类别的虚假用户检测 79
6.1 基于平均评分偏移的检测方法分析 79
6.2 融合时间维度的虚假用户检测方法R-RTS 80
6.2.1 融合时间维度的虚假用户检测实例 82
6.2.2 实验结果和分析 84
6.3 本章小结 90
第7章 融合时间特征与单类分类器的虚假用户检测 91
7.1 推荐系统中面向时间的用户行为特征分析 91
7.2 基于单类分类器的托攻击检测方法 92
7.2.1 基于密度的单类分类器 93
7.2.2 基于聚类的单类分类器 94
7.2.3 基于SVM的单类分类器 96
7.3 实验结果及分析 98
7.3.1 实验结果 98
7.3.2 实验分析 99
7.4 本章小结 100
第8章 基于半监督学习的虚假用户检测 101
8.1 引言 101
8.2 混合检测 101
8.3 半监督学习攻击检测 102
8.4 实验分析 105
8.4.1 实验设置 105
8.4.2 实验对比分析 106
8.5 本章小结 109
参考文献 110