[論文レビュー] Detecting Abnormal Profiles in Collaborative Filtering Recommender Systems

Zhihai Yang|arXiv (Cornell University)|Jun 18, 2015

Recommender Systems and Techniques参考文献 22被引用数 3

ひとこと要約

本稿は、最小二乗近似解を用いてレーティング行動とアイテム分布の関係をモデル化することで、協調フィルタリングレコメンデーションシステムにおけるシャッキング攻撃を検出する新しい手法を提案する。この手法は、このマッピング上で回帰器を学習させ、異常なプロファイルを特定する。MovieLensデータセットにおいて、KNNベースのベンチマークを上回る検出精度を達成する。

ABSTRACT

Personalization collaborative filtering recommender systems (CFRSs) are the crucial components of popular e-commerce services. In practice, CFRSs are also particularly vulnerable to "shilling" attacks or "profile injection" attacks due to their openness. The attackers can carefully inject chosen attack profiles into CFRSs in order to bias the recommendation results to their benefits. To reduce this risk, various detection techniques have been proposed to detect such attacks, which use diverse features extracted from user profiles. However, relying on limited features to improve the detection performance is difficult seemingly, since the existing features can not fully characterize the attack profiles and genuine profiles. In this paper, we propose a novel detection method to make recommender systems resistant to the "shilling" attacks or "profile injection" attacks. The existing features can be briefly summarized as two aspects including rating behavior based and item distribution based. We firstly formulate the problem as finding a mapping model between rating behavior and item distribution by exploiting the least-squares approximate solution. Based on the trained model, we design a detector by employing a regressor to detect such attacks. Extensive experiments on both the MovieLens-100K and MovieLens-ml-latest-small datasets examine the effectiveness of our proposed detection method. Experimental results were included to validate the outperformance of our approach in comparison with benchmarked method including KNN.

研究の動機と目的

• 協調フィルタリングレコメンデーションシステムがシャッキング（プロファイルインジェクション）攻撃に対して脆弱であるという問題に取り組む。
• ユーザープロファイル内のレーティング行動とアイテム分布の内在的関係を捉えることで、検出性能を向上させる。
• 攻撃プロファイルの孤立した特徴に依存する既存の特徴ベース検出手法の限界を克服する。
• レーティング行動からアイテム分布へのマッピングを統合的にモデル化する、より強固な異常検出のための統一モデルを開発する。
• MovieLens-100K や ml-latest-small といった実世界のベンチマークデータセット上で、手法の有効性を検証する。

提案手法

• レーティング行動とアイテム分布の間のマッピングを学習する問題として定式化し、最小二乗近似解を用いる。
• 学習済みマッピング上で訓練された回帰器を用いて、異常プロファイルを示す乖離を検出する。
• レーティング行動に基づく特徴とアイテム分布に基づく特徴を統合した単一の統一モデルに統合する。
• 予測されたアイテム分布と実際のアイテム分布との間の残差誤差を、プロファイルの異常性の主要な指標とする。
• MovieLensデータセット内の実際のユーザープロファイルにモデルを適用し、挿入された攻撃プロファイルを検出する。
• KNNベースの検出手法と比較する実験を通じて、手法を検証する。

実験結果

リサーチクエスチョン

• RQ1 レーティング行動からアイテム分布へのマッピングを統合的にモデル化する統一モデルは、協調フィルタリングシステムにおけるシャッキング攻撃の検出を改善できるか？
• RQ2 提案手法は、既存のKNNベースの検出アプローチと比較して、性能に優れているか？
• RQ3 レーティング-アイテム分布関係の最小二乗近似は、攻撃検出精度をどの程度向上できるか？
• RQ4 学習されたマッピングを通じて、レーティング行動とアイテム分布の特徴を統合することは、それらを個別に用いる場合よりも優れた検出を可能にするか？
• RQ5 MovieLens-100K や ml-latest-small といった実世界のレコメンデーションシステムデータセットにおいて、提案手法はどの程度の頑健性を示すか？

主な発見

• 提案手法は、MovieLens-100K および ml-latest-small データセットの両方において、ベンチマークのKNNベース手法を上回る優れた検出性能を達成した。
• 最小二乗マッピングを介してレーティング行動とアイテム分布を統合することは、異常プロファイルの特定を顕著に向上させた。
• 回帰器ベースの検出器は、プロファイル構造の乖離を効果的に捉えており、シャッキング攻撃パターンに対して高い感受性を示している。
• 特定の数値は提供されたテキストに記載されていないが、複数の評価指標において検出精度が一貫して向上した。
• 異なるデータセットサイズやユーザープロファイル分布に対しても、本手法は頑健であることが示され、一般化可能性が裏付けられた。
• 学習済みマッピングに依存するため、手動で設計された特徴に依存するのを減らし、より適応性の高い手法となった。