[发明专利]基于随机森林和目标项目识别的攻击检测鲁棒推荐方法

权利要求书

1.基于随机森林和目标项目识别的攻击检测鲁棒推荐方法，其特征在于，包括以下步骤，

S1：基于卡方统计理论提取评分数据中能够区分正常用户与攻击用户的有效特征；

S2：基于步骤S1中提取的有效特征，对随机森林分类器进行训练，使用训练好的随机森林分类器对待检测用户集进行第一阶段检测，得到第一阶段的用户概貌检测结果；

S3：通过目标项目识别对步骤S2得到的初始攻击概貌类进行标识，实现第二阶段的攻击概貌检测；

S4：根据攻击概貌检测结果构建鲁棒推荐算法，实现攻击检测的鲁棒推荐。

2.根据权利要求1所述的基于随机森林和目标项目识别的攻击检测鲁棒推荐方法，其特征在于，步骤S1的具体操作包括以下步骤，

S101：令U＝{u₁，u₂，...，u_m}表示全部用户的集合，I＝{i₁，i₂，...，i_n}表示全部项目集合，对项目i∈I，用户u∈U，如果则称项目i被进行一次评分，统计U中所有用户对项目i的评分次数，即

S102：计算所有项目的项目流行度按照流行度降序对n个项目进行排序；

S103：根据排序结果，采用10折交叉验证方法将n个项目分为两个集合，一个是流行项目集合I_POPU，一个是非流行项目集合I_UNPOPU；

S104：把项目和用户作为两个统计量，它们的值域分别为{流行项目，非流行项目}和{用户评过分，用户没有评分}，计算非流行项目与用户u之间的相关联程度，也即非流行项目卡方值，；式中；表示项目属于集合I_UNPOPU并且被用户u评过分的个数，表示项目不属于集合I_UNPOPU且被用户u评过分的个数，表示项目属于集合I_UNPOPU且用户u没评过分的个数，表示项目不属于集合I_UNPOPU且用户u没评过分的个数，N表示所有项目个数；

S105：将步骤S104中检测出来的非流行项目卡方值特征，结合WDMA、RDMA、WDA、LengthVariance、DegSim，DegSim’、FMV、FAC、FAC、FMD、FMD、FMD和PV13个检测特征，组成用户特征向量的特征矩阵V，作为区分正常用户与攻击用户的有效特征。

3.根据权利要求2所述的基于随机森林和目标项目识别的攻击检测鲁棒推荐方法，其特征在于，步骤S2的具体操作包括以下步骤，

S201：将原始用户评分数据按比例分为两部分，一部分作为训练集用来训练随机森林分类器，另一部分作为待检测用户集；

S202：根据步骤S1中提取出来的特征矩阵V，分别计算训练集和待检测用户集的特征矩阵；

S203：利用训练集数据构建一个随机森林分类器并进行训练；

S204：利用已训练好的随机森林分类器对待检测用户集进行检测，输出分类预测结果，得到第一阶段的用户概貌检测结果，将用户概貌检测结果初步划分为初始真实概貌类和初始攻击概貌类。

4.根据权利要求3所述的基于随机森林和目标项目识别的攻击检测鲁棒推荐方法，其特征在于，步骤S203的具体操作包括以下步骤，

S2031：假设训练集的数据集中含有t个样本，使用Bootsrap重抽样技术从中随机选择k个子集，分别用来训练k个决策树，训练子集中的每个样本包含m个属性；

S2032：当决策树的每个节点需要分裂时，随机从m个属性中选取s个属性(sm)，从这s个属性中选择一个属性作为该节点的分裂属性，重复执行上述划分过程，直到满足停止条件；

S2033：将k个Bootsrap样本集分别按照步骤S2032中的方式训练k个决策树模型，最后把所有生成的决策树组合成一个随机森林分类器{T_i i＝1，2，…，k}。