[논문 리뷰] Detecting Abnormal Profiles in Collaborative Filtering Recommender Systems

Zhihai Yang|arXiv (Cornell University)|2015. 06. 18.

Recommender Systems and Techniques참고 문헌 22인용 수 3

한 줄 요약

이 논문은 최소 제곱 근사 해를 사용하여 평가 행동과 항목 분포 간의 관계를 모델링함으로써 협업 필터링 추천 시스템에서 셸링 공격을 탐지하는 새로운 방법을 제안한다. 이 방법은 이 mapping에 기반한 회귀분석기를 학습시켜 비정상 프로필을 식별하며, MovieLens 데이터셋에서 KNN 기반 기준보다 높은 탐지 정확도를 기록하여 성능을 뛰어넘는다.

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.

연구 동기 및 목표

• 협업 필터링 추천 시스템이 셸링(프로필 주입) 공격에 취약한 점을 해결하기 위해.
• 사용자 프로필 내 평가 행동과 항목 분포 간의 내재된 관계를 포착하여 탐지 성능을 향상시키기 위해.
• 공격 프로필의 고립된 특성에 의존하는 기존의 기능 기반 탐지 방법의 한계를 극복하기 위해.
• 평가 행동을 항목 분포로 매핑하는 통합 모델을 개발하여 보다 강력한 이상 탐지 성능을 확보하기 위해.
• 실제 벤치마크 데이터셋인 MovieLens-100K 및 ml-latest-small와 같은 실세계 데이터셋에서 방법의 효과성을 검증하기 위해.

제안 방법

• 최소 제곱 근사 해를 사용하여 평가 행동과 항목 분포 간의 맵핑을 학습하는 방식으로 탐지 문제를 수립한다.
• 학습된 맵핑에 기반한 회귀분석기를 활용하여 비정상 프로필을 나타내는 이격을 탐지한다.
• 평가 행동 기반 및 항목 분포 기반 특징을 하나의 통합 모델에 통합한다.
• 예측된 항목 분포와 실제 항목 분포 간 잔차 오차를 프로필 비정상성의 핵심 지표로 사용한다.
• 실제 사용자 프로필에 대해 MovieLens 데이터셋에 주입된 공격 프로필을 탐지하기 위해 모델을 적용한다.
• KNN 기반 탐지 기법과의 비교 실험을 통해 방법을 검증한다.

실험 결과

연구 질문

• RQ1 평가 행동을 항목 분포로 매핑하는 통합 모델이 협업 필터링 시스템에서 셸링 공격을 탐지하는 데 성능 향상에 기여할 수 있는가?
• RQ2 제안된 방법은 기존의 KNN 기반 탐지 접근 방식과 비교해 성능 면에서 어떻게 다른가?
• RQ3 평가-항목 분포 관계의 최소 제곱 근사가 얼마나 공격 탐지 정확도 향상에 기여하는가?
• RQ4 학습된 맵핑을 통해 평가 행동과 항목 분포 특징을 통합하면 별개로 사용하는 것보다 더 나은 탐지 성능을 낼 수 있는가?
• RQ5 MovieLens-100K 및 ml-latest-small와 같은 실세계 추천 시스템 데이터셋에서 제안된 방법의 정교함은 어느 정도인가?

주요 결과

• 제안된 방법은 MovieLens-100K 및 ml-latest-small 데이터셋 모두에서 기준 KNN 기반 접근 방식보다 뛰어난 탐지 성능을 달성한다.
• 최소 제곱 맵핑을 통한 평가 행동과 항목 분포의 통합은 비정상 프로필 식별에 상당한 향상을 이룬다.
• 회귀분석기 기반 탐지기가 프로필 구조의 이격을 효과적으로 포착하여 셸링 공격 패tern에 매우 민감한 것으로 나타났다.
• 특정 수치는 제공된 텍스트에 기재되어 있지 않지만, 다양한 평가 지표에서 탐지 정확도가 일관되게 향상됨을 보였다.
• 모델은 다양한 데이터셋 크기와 사용자 프로필 분포에 대해 안정적인 성능을 보이며 일반화 가능성을 시사한다.
• 학습된 맵핑에 의존함으로써 수작업으로 설계된 특징에 대한 의존도를 줄여 적응성 향상에 기여한다.