基于复杂隐性信任网络的可信推荐方法研究

Collaborative filtering recommender systems have a broad application prospect in the field of information retrieval. They can provide the end users with personalized information services and thus alleviate the information overload problem. However, shilling attacks pose a significant threat to the security of recommender systems. Malicious users may manipulate the recommendation results to their benefits by injecting carefully faked use profilesintorecommendersystems. Therefore, with the emergence of shilling attacks, how to provide trustworthy recommendation for target user has become a key issue to be solved. In this thesis, we have made some deep research of trustworthy recommendation approaches from the following three aspects: what kind of information should be used as a source of trust information, how to specify and quantify the abstract concept of trust (the trust model or the trust computing method) and how to add the quantified trust to the recommending process.From the aspect of explicit trust, to alleviate the problems of data sparsity, cold start and easy attack in collaborative filtering and insufficient trust information available in explicit trust-based collaborative filtering, a latent social trust network model for collaborative filtering recommendation algorithm is proposed；In the integration of the social network users direct implicit trust, on the basis of introduction of trust, aggregation and dynamic evolution characteristics of the indirect trust relationship to social network users, more in line with the online social network this complex network environment background of dynamic trust model, and finally in the user trust model is proposed on the basis of the above recommendation method based on trusted neighbor filtering strategy,And the user rating similarity is combined with trust evaluation of the hybrid network,which helps users to discover more two-dimensional similarity neighbors based on trust and interest factors．

协同过滤推荐系统在电子商务领域具有广阔的应用前景，然而，恶意攻击者以非法获利为目的，对推荐系统实施攻击，操纵改变推荐结果，给推荐系统的安全性带来严重威胁。面对推荐攻击，如何对用户做出可信推荐成为目前推荐系统中亟待解决的问题。本项目从信任信息的来源、信任概念具体化和定量化(信任模型、信任计算方法)、利用信任进行可信推荐三个方面对可信推荐方法进行了深入研究。首先从隐性信任角度入手，提出了基于用户行为数据分析的隐性信任度量方法，充分挖掘用户的评分行为数据和交互行为数据建立用户之间的隐性信任关系；在整合了社会网络用户中直接隐性信任的基础之上，引入信任传递、聚合与动态演化特性，对社会网络用户的间接信任关系进行挖掘，实现更加符合复杂网络环境背景的动态信任模型，最后在上述用户信任模型的基础上提出基于可信邻居过滤策略的推荐方法，为用户寻找更多基于信任因素和兴趣因素因素的二维相似近邻，从而提高推荐质量。

受推荐系统在电子商务领域重大经济利益的驱动，恶意用户以非法牟利为目的实施托攻击，操纵改变推荐结果，使推荐系统面临严峻的信息安全威胁。本项目从托攻击检测技术与鲁棒推荐技术两方面展开深入研究，提出了一些有效的解决方案。. 在托攻击检测技术方面：提出一种半监督SVM和非对称集成策略相结合的托攻击检测方法。有效地解决了推荐系统中的小样本问题和数据不均衡分布问题，获得了较好的检测效果。提出了基于双重欠采样代价敏感学习的推荐系统虚假用户检测方法。除去大类样本中的噪声样本和冗余样本从而平衡两类样本的比例，同时考虑并有效解决了同一类别内样本误分类代价不同的问题。. 在鲁棒推荐技术方面:提出一种基于多元隐式信任关系挖掘的抗攻击社会化推荐算法。借鉴社会学和组织行为科学领域的信任前因框架模型，获得用户总体信任度并以此为依据实现基于信任关系的个性化推荐。提出了一种基于小世界隐式信任网络的可信推荐算法。利用小世界隐式信任网络的拓扑结构提出了一种自适应推荐算法，有效地克服了数据的稀疏性问题。提出了一种基于用户项目属性偏好的鲁棒协同过滤推荐算法。根据用户项目属性偏好类型条件过滤最近邻集合中的攻击概貌,消除攻击概貌对评分预测的不良影响,提高了系统的抗攻击能力。 . 经过三年紧张高效的研究工作，该研究课题拟定的研究任务已经完成，项目研究达到了预期的目标。项目研究拓展和深化了人工智能、机器学习、模式识别、数据挖掘等相关领域的理论和技术在推荐系统安全领域的创新和运用，为建立安全的个性化推荐系统提供了新的研究思路。项目研究成果对提高推荐系统的安全性，促进推荐系统发展和应用提供理论方法和技术支持，具有重要的理论价值和广阔的应用前景。