融合推荐攻击在线集成检测和多维信任机制的可信推荐模型及关键技术研究

As an important mode of personalization service, collaborative recommendation has been used more and more widely in e-commerce. However, all kinds of malicious deception and fake ratings have restricted its function which it should have. How to effectively identify and resist recommendation attacks and to ensure the trustworthiness of recommendation has become an urgent problem to be solved. To this end, in this project we will use the methods, such as TF-IDF, mutual information, information entropy and Hilbert-Huang transform, to extract and represent the features of recommendation attacks from different angles. We use the methods of incremental learning and ensemble classifiers to construct an online ensemble detection mechanism of recommendation attacks in order to realize the online learning and high precision detection of recommendation attacks. Based on the theory of source credibility, we will mine the trust attributes of users and build weighted calculation models of users' trust attributes by incorporating the users' suspicious information obtained from the recommendation attack detection. On the basis of this, a reliable multidimensional compution model of trust is constructed. According to matrix analysis and robust statistical theory, we will build a robust layer matrix factorization model by incorporating the suspicious information and trust information of users. Based on it, we will construct a trustworthy recommendation model via robust parameter estimation, which can provide the basis of theory and practice for the construction of trustworthy e-commerce recommender systems. Therefore, the study in this project has important theoretical significance and application value.

协同推荐作为一种重要的个性化服务模式，在电子商务中的应用越来越广泛。然而，各种恶意欺骗和虚假反馈已制约了其应有效能的发挥。如何有效识别和抵御推荐攻击，确保推荐的可信性成为亟待解决的问题。为此，本课题将采用TF-IDF技术、互信息方法、信息熵与Hilbert-Huang变换理论，分别从不同的视角提取和表征推荐攻击的特征，利用增量学习和分类器集成方法，建立推荐攻击的在线集成检测机制，实现推荐攻击的在线学习和高精度检测；基于信息来源可靠性理论，挖掘用户的信任属性，通过融合用户嫌疑性信息，构建用户信任属性的加权计算模型，并在此基础上建立可靠的多维信任计算模型；依据矩阵分析和鲁棒统计理论，建立融合用户嫌疑性信息与信任信息的鲁棒分层矩阵分解模型，并通过鲁棒参数估计构建可信的推荐模型，为建立可信的电子商务推荐系统提供理论和实践依据。因此，本课题的研究具有重要的理论意义和应用价值。

面对推荐攻击，基于协同过滤的推荐系统存在严重的脆弱性。如何有效识别和抵御推荐攻击，确保系统推荐的可信性是推荐系统研究面临的巨大挑战，也是电子商务推荐系统健康发展和深化应用中迫切需要解决的问题。本项目以信号处理、机器学习、矩阵分析和鲁棒统计等领域的研究成果为基础，以推荐系统中的用户评分数据为研究对象，围绕“多视角的推荐攻击特征提取与表征”、“用户信任属性的挖掘与计算”、“鲁棒分层矩阵分解模型”三个关键问题，从特征提取、集成检测、信任建模、鲁棒矩阵分解以及模型的鲁棒参数估计等方面展开研究，旨在建立一种抗攻击能力强、推荐精度高的可信推荐模型。研究成果主要包括：基于推荐系统中的用户评分数据，从不同视角提取了针对已知类型推荐攻击的专用特征和针对未知类型（或新类型）推荐攻击的通用特征；提出了基于支持向量机的推荐攻击在线检测模型、基于仿生模式识别的推荐攻击集成检测模型、基于有序项目序列的推荐攻击集成检测方法和基于仿生模式识别的未知推荐攻击检测方法等一系列推荐攻击检测方法，有效提高了推荐攻击检测的精度；基于推荐攻击检测的结果，综合考虑项目推荐的权威性、用户可信赖性和评分相似性三方面因素，提出了一种可靠多维信任计算模型，并将提出的可靠多维信任模型、邻居模型和矩阵分解模型相融合，建立了一种鲁棒分层矩阵分解模型；引入鲁棒统计理论中的Cauchy加权M-估计量、Tukey加权M-估计量和Welsch加权M-估计量，实现了对用户和项目特征矩阵的鲁棒参数估计，并在此基础上提出了一系列鲁棒推荐算法。研究成果可以为构建可信的电子商务推荐系统提供理论依据，对促进推荐系统的健康发展，拓展和深化推荐系统在新领域的创新和运用具有重要意义。.在本项目执行期间，我们在计算机学报、软件学报、Knowledge-Based Systems、IET Information Security、Security and Communication Networks等国内外重要期刊和学术会议上发表学术论文25篇，其中SCI期刊论文9篇，EI期刊论文8篇。以本项目为课题背景，培养博士生2名，硕士生21名。