在线推荐环境下基于用户行为的群体欺诈攻击检测方法研究

As an effective tool to deal with the problem of information overload, recommender systems have been used more and more widely in network information services and have become an indispensable part of modern e-commerce platforms. However, such systems have serious vulnerability in the face of increasingly evolving shilling attacks. To enhance the robustness of recommender systems, all kinds of methods have been proposed to detect shilling attacks. But the existing methods focus mainly on modeling and identifying individual shilling attacks in the recommender system, which can not effectively detect group shilling attacks. To this end, in this project we will mine the temporal and spatial patterns of user ratings from the new perspective of user rating behavior and model the evolution law of individual behavior. We will analyze the intrinsic behavior pattern of group shilling attacks and extract multidimensional detection features of group attack behavior. We will also investigate user identification method across data sources and behavior trajectory extraction method, and construct the checking mechanism of user behavior consistency. We will establish the detection framework for group shilling attacks by means of graph theory, clustering algorithm and tensor analysis. This research can provide a theoretical basis for the construction of robust recommender system. It has great significance not only for promoting the healthy development of recommender system, but also for expanding and deepening the innovation and application of recommender system in the area of big data.

作为一种应对“信息超载”问题的有效工具，推荐系统在网络信息服务中的应用越来越广泛，已成为当代电子商务平台不可或缺的重要组成部分。然而，面对日益演化的各种欺诈攻击，这类系统存在严重的脆弱性。为了提高推荐系统的健壮性，人们提出了各种欺诈攻击检测方法。但是，现有方法主要是针对推荐系统中的个体欺诈攻击行为进行建模和识别，不能有效检测群体欺诈攻击行为。为此，本课题从用户评分行为的全新视角，挖掘用户评分行为背后隐含的时序模式和空间模式，并对评分用户的个体行为演化规律建模；分析群体欺诈攻击的内在行为模式，提取群体攻击行为的多维检测特征；研究跨数据源用户识别及行为轨迹抽取方法，构建用户行为一致性检验机制；利用图论、聚类算法和张量分析等方法，建立针对群体欺诈攻击的检测框架。本课题的研究可为构建健壮的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大数据领域的创新和应用具有重要意义。

面对群体欺诈攻击，推荐系统的可信性受到严峻挑战。如何从用户评分行为的视角提取群体欺诈攻击行为的有效特征并对其准确识别，以保障系统产生可信的推荐结果，是推荐系统研究面临的一大挑战，也是推荐系统健康发展和深化应用中迫切需要解决的关键科学问题。本项目以人类行为分析、数据挖掘、聚类分析和图论等相关领域的研究成果为基础，以在线推荐环境下用户评分行为为研究对象，以群体欺诈攻击行为的准确识别为目标，围绕“用户评分行为演化建模”和“群体攻击行为特征提取与表征”两个关键科学问题，从评分用户个体行为演化分析、群体欺诈攻击行为分析、基于多数据源的用户行为分析和群体欺诈攻击行为检测算法4个方面展开研究，建立针对群体欺诈攻击的检测机制。研究成果主要包括：1)基于评分用户个体行为演化分析，从不同视角提取了用户的时序特征和兴趣偏好特征，并提出了一系列针对个体欺诈攻击行为的检测方法；2)提出了群体欺诈攻击行为的多维检测特征，依据目标驱动性、用户与项目之间的隐含关系、群体攻击行为的相似性、同步性、蜂涌性等特征，利用无监督学习方法识别推荐系统中的群体欺诈攻击行为；3)提出了一种基于多数据源的群体欺诈攻击检测方法，根据用户在不同数据源中的评分行为分别构建k-近邻用户关系图，采用网络嵌入技术学习用户节点的低维向量表示，利用SNNA模型学到的投影函数识别不同数据源中的用户，通过融合同一用户在不同数据源中的关系图生成候选攻击群体，利用聚类算法获得攻击群体；4)从不同视角提出了一系列针对群体欺诈攻击的检测算法，有效提高了群体欺诈攻击的检测精度。研究成果可以为构建健壮的推荐系统提供理论依据，对拓展和深化推荐系统在大数据领域的创新和应用具有重要意义。.在本项目执行期间，我们在IEEE Transactions on Knowledge and Data Engineering、The Computer Journal、Knowledge-Based Systems、IET Information Security、Security and Communication Networks等重要学术期刊和学术会议上发表学术论文20篇，其中SCI收录论文14篇，EI收录论文6篇。培养博士生2名，硕士生16名。