[发明专利]一种基于注意力卷积自编码器的推荐系统攻击检测方法

说明书

本发明公开了一种基于注意力卷积自编码器的推荐系统攻击检测方法，首先获取数据集，对数据集进行预处理并获得训练数据集；根据步骤一获得的训练数据集，输入卷积自编码器模型，得到高维特征表示矩阵；根据步骤二获得的高维特征表示矩阵，得到项目注意力矩阵，结合项目注意力矩阵以及步骤二得到的高维特征表示矩阵得到最终的特征矩阵；最后将得到的最终特征矩阵输入全连接层分类，利用准确率(Precision)、召回率(Recall)、F值(F‑measure)作为算法的性能评价指标。

技术领域

本发明涉及深度学习、推荐系统领域，具体设计了一种基于注意力卷积自编码器的推荐系统攻击检测方法。

背景技术

互联网的普及与发展，造成了网络数据信息的爆炸式增长。面对日益严重的“信息过载”现象，用户准确有效的获得想要的信息成了一个亟待解决的问题，此时推荐系统就应运而生。但由于任何人都可以注册成为其用户，让推荐系统本身具有了灵敏性和开放性，使其很容易受到外界的攻击。在商业利益的驱动下，部分黑心商家有意地向推荐系统中植入一些伪造的用户概貌，恶意评分，这样行为被称为托攻击。如何对外界攻击进行检测和防御，确保电子商务推荐系统的安全，具有重要意义。

近几年来，深度学习技术广泛应用于计算机视觉、自然语言处理和语音识别等领域并获得了巨大的成功，因此也将深度学习技术引入推荐系统领域，用于推荐系统托攻击检测。同人类视觉一样，通过快速扫描全局图像，获得需要重点关注的目标区域，也就是一般所说的注意力焦点，而后对这一区域投入更多注意力资源，以获取更多所需要关注目标的细节信息，而抑制其他无用信息，也考虑到每一个特征对于最终检测的影响都是不一样的，不能同等地看待所有特征，所以，引入了注意力机制，给予关键特征更多的注意力，从众多特征中选择出对托攻击检测更关键的特征，更好地帮助提取用户特征，进而检测出攻击用户。

发明内容

本发明设计了一种基于注意力卷积自编码器的推荐系统攻击检测方法。由于之前很少有将深度学习技术应用于推荐系统的托攻击检测，本发明提出了一种基于卷积自编码器的方法，利用卷积完成自动编码器的编码和解码操作，得到用户特征，并加入注意力机制，给予关键特征更多的注意力，以捕捉用户交互数据的复杂结构。

本发明所述的方法首先将数据集输入卷积自编码器的编码和解码做特征提取操作，得到用户特征的高维表示，由于每个高维特征对最终的结果影响不一样，所以将得到的高维表示的特征矩阵与其转置矩阵点乘，得到特征矩阵的注意力矩阵表示，将用户特征的高维表示与特征矩阵的注意力矩阵点乘，最后的结果再经过全连接层“分类”，得到用户的检测结果。

区别于现有的处理方法，本发明的有益效果是：目前的推荐系统托攻击检测方法大多数都是基于人工提取的特征，这些方法假定托攻击概貌和正常概貌在评分方式上有着显著的差异，因此可以依靠领域知识来提取特征并检测攻击。但是这些检测方法往往有一定的局限性：如有些攻击者为了防止被检测出来会模仿正常用户的评分方式，使得人工特征的区分能力降低。深度神经网络有着非常强的计算能力以及非线性映射等优点，在手写数字识别、模式识别等分类问题中有着广泛的应用，同时也适用于多变的托攻击检测环境，因此，本发明使用卷积自编码器自动提取评分特征，根据标记好的样本数据捕获托攻击用户的内在属性。同时，从卷积自编码器输出的高维特征，各个维度特征之间的内在关系不一样，每个维度特征对于整个任务的影响程度也不一样，对某些维度特征的过分关注可能会分散注意力，所以引入注意力机制，给予关键特征更多的注意力，以捕捉用户交互数据的复杂结构。

附图说明：

图1是本发明所述的基于注意力卷积自编码器的推荐系统攻击检测方法的系统框架图。

具体实施方式：

本实施例的数据集采用movielens100k，数据集中包含943名正常用户对1682部电影的评分，评分区间为[1,5]，分数从低到高分别表示用户对某部电影的喜爱程度由浅入深。