[发明专利]一种基于矩阵补全的抗托攻击推荐算法

说明书

本发明公开了一种基于矩阵补全的抗托攻击推荐算法，首先统计用户对项目的评分，提取用户的属性特征和项目的属性特征，分别构建用户‑项目评分矩阵，用户属性特征矩阵和项目属性特征矩阵；然后将用户‑项目评分矩阵中的托攻击评分建模为矩阵补全模型中的结构化噪声；然后采用分块坐标下降算法对各变量进行迭代更新，求得结构化行噪声矩阵；随后根据结构化行噪声矩阵剔除用户‑项目评分矩阵中的托攻击评分；最后使用传统推荐算法进行评分预测，求得预测评分矩阵。本发明提供的推荐算法能够有效地检测出推荐系统中的托攻击用户，在托攻击干扰下可取得比传统推荐算法更精确的个性化评分预测效果，有效提高了推荐算法的鲁棒性。

技术领域

本发明属于计算机技术领域中的信息安全领域，具体涉及一种基于矩阵补全的抗托攻击推荐算法。

背景技术

面对信息过载问题，推荐系统应运而生。推荐系统是一种软件系统，它通过收集用户信息，项目信息以及用户与项目的交互信息，了解用户的偏好，从而将用户可能感兴趣的项目推荐给用户，在一定程度上解决困扰用户的信息过载问题。当前实现推荐系统的一种主流算法是协同过滤(collaborative filtering)算法。它依赖于用户的历史行为，分析过去的用户-项目交互，建立新的用户-项目联系。然而，用户-项目交互数据的产生者是所有用户，并没有设置准入门槛，这种数据来源的开放性导致协同过滤推荐系统极易受到恶意用户的干扰，这种现象称为托攻击(shilling attack)。

托攻击是当前推荐系统遇到的严峻挑战之一。恶意商家或用户为了达成其特殊目的，往往是为了经济利益，冒充正常用户，在与项目交互的过程中，向推荐系统注入精心设计的虚假用户概貌，从而影响正常的推荐结果。这种攻击的存在会严重干扰推荐系统的正常运转，误导用户接受或购买并非真正所需的信息或项目，使用户逐渐丧失对此推荐系统的信任，造成客户群的流失，推荐系统会蒙受信誉与利润的双重损失。

当前，针对无托攻击评分数据集已经有了很多行之有效的高精度推荐算法，但在含托攻击数据集上，这些传统推荐算法往往会面临性能下降的问题。

发明内容

发明目的：本发明基于结构化噪声矩阵补全技术提出一种鲁棒的抗托攻击个性化推荐算法以提高推荐系统抵御托攻击能力，首先检测出推荐系统中的托攻击用户并剔除相应攻击评分再进行推荐，从而解决推荐系统中存在的托攻击问题,将合适的项目推荐给相应用户。实验表明，该推荐算法在托攻击下可取得比传统推荐算法更精确的个性化评分预测效果，有效提高推荐算法的鲁棒性。

技术方案：为实现上述目的，本发明采用如下技术方案：一种基于矩阵补全的抗托攻击推荐算法，包括如下步骤：

1)建立用户-项目评分矩阵：

设m名用户构成用户集合U＝{u₁,u₂,…u_m}，n件项目构成项目集合I＝{i₁,i₂,…i_n}，用户-项目评分矩阵可表示为

其中，用户u对项目i的评分记作r_i,j，“*”表示已知评分，“？”表示未知评分。由于每个用户只可能对有限的项目进行评分，而每件项目也仅可能收到有限用户的评分，故这个评分矩阵通常包含大量的空缺评分，是一个稀疏矩阵。

2)根据步骤一的用户-项目评分矩阵建立基于矩阵补全的推荐系统模型：

在推荐系统中，大量的用户之间和大量的项目之间必然存在着偏好相近的用户和属性相近的项目，这种相近性使得用户-项目评分矩阵往往具有近似低秩性，故推荐系统问题可利用低秩矩阵补全技术进行评分预测。用R表示当前观察到的评分矩阵，则推荐系统问题可建模为：