面向协同推荐系统的异常评分行为检测方法研究

Cooperative shilling rating behavior and malicious rating behavior seriously affect the robustness of collaborative recommender systems and the quality of recommendation. It is difficult to deeply distinguish the behavior of abnormal ratings from genuine ratings with unbalanced data distribution by traditional characterization methods of rating behavior using the first and second moments of rating deviation and rating probability analysis. Therefore, anomaly detection especially for large-scale and unlabeled datasets is limited. The goal of this research is to study the dimension reduction method of sparse rating matrix for rating interference and the mining method of correlation pattern of rating behavior in order to design a novel detection model. Based on the activity of user and popularity of item, probability distribution of random variables with respect to the asymmetry of mean for quantifying rating sequence is used to reduce sparse ratings. According to the correlation pattern between user attributes and distribution characteristics of item, mining the association nodes with group-graph sparse pattern and the association space of coupling network is explored to constrain the detection range. For large-scale and unlabeled real data, this research studies evaluation criteria for anomaly evidence according to the consistency of rating behavior, the aggregation degree of rating time and the relevance of review content. This project investigates detection model for abnormal rating behavior from a new perspective, which is helpful to improve the accuracy of detection and the reputation of collaborative recommender systems and maintain the fairness of virtual market.

协作托评分行为和恶意评分行为严重影响着协同推荐系统的稳定性和推荐质量。以评分偏移量的一阶矩和二阶矩、评分概率统计分析为主的传统评分行为刻画方法难以深度区分具有非均衡数据分布特性的异常评分行为，适用于大规模真实无标签评分数据的异常检测也因此受到限制。本课题旨在研究稀疏评分矩阵评分干扰项的降维策略和评分行为关联模式挖掘方法以设计新型检测模型。基于用户的活跃度和物品的流行度，结合随机变量的概率分布相对于均值的不对称性量化评分序列用以削减稀疏的评分项；针对评分用户属性和物品分布特征的关联模式，挖掘具有组-图稀疏模式的关联节点和耦合网络的关联空间以约束检测范围；基于大规模无标签真实数据，根据评分行为的一致性、评分时间的聚集度、评论内容的关联性等因素研究异常取证的评估指标。本课题从新的视角拓展异常评分行为的检测模式，有利于提升检测的精度，对于保障协同推荐系统的信誉度和维护虚拟市场的公平性具有重要意义。

个性化推荐系统的广泛应用显示了推荐技术在各大电子商务服务中的强大功能。然而，由于推荐系统的开放性和自身的脆弱性，协作托评分行为和恶意评分行为的存在严重影响了协同推荐系统的稳定性和推荐质量。.以评分偏移量的一阶矩和二阶矩、评分概率统计分析为主的传统评分行为刻画方法难以深度区分具有非均衡数据分布特性的异常评分行为，适用于大规模真实无标签评分数据的异常检测也因此受到限制。本课题旨在研究稀疏评分矩阵评分干扰项的降维策略和评分行为关联模式挖掘方法以设计新型检测模型。基于用户的活跃度和物品的流行度，结合随机变量的概率分布相对于均值的不对称性量化评分序列用以削减稀疏的评分项；针对评分用户属性和物品分布特征的关联模式，挖掘具有组-图稀疏模式的关联节点和耦合网络的关联空间以约束检测范围；基于大规模无标签真实数据，根据评分行为的一致性、评分时间的聚集度、评论内容的关联性等因素研究异常取证的评估指标。.针对本项目的研究目标，我们先后提出了基于评分行为关联图的概率推理和可信评估模型、基于高阶条件随机场边界表示与平滑划分的异常检测算法和基于网络信息残差分析的异常行为推理算法等分步检测机制。本项目的研究结果表明，面对不同类型的托攻击，我们提出的检测模型相对于对比方法在误报率方面有将近7%的下降优势。此外，在真实数据的异常检测和取证方面，我们从多角度提出了异常取证指标，并针对可疑目标的历史评分行为提出了时间序列分析方法。.本课题从新的视角拓展异常评分行为的检测模式，有利于提升检测的精度，对于保障协同推荐系统的信誉度和维护虚拟市场的公平性具有重要意义。在实际应用中，为实际电商系统或者具有推荐功能的应用平台提供安全防御措施，可以带来的潜在经济效益远高于系统应用本身。