[论文解读] 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 3

一句话总结

本文提出了一种新型协同过滤推荐系统中的洗钱攻击检测方法，通过使用最小二乘近似解建模评分行为与项目分布之间的关系。该方法在评分行为与项目分布映射关系上训练回归器，以识别异常用户档案，在MovieLens数据集上的检测准确率优于基于KNN的基准方法。

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.

研究动机与目标

• 解决协同过滤推荐系统在洗钱攻击（资料注入攻击）下的脆弱性问题。
• 通过捕捉用户档案中评分行为与项目分布之间的内在关系，提升检测性能。
• 克服现有基于特征的检测方法依赖于攻击档案孤立特征的局限性。
• 开发一个统一模型，将评分行为映射到项目分布，以实现更鲁棒的异常检测。
• 在真实世界基准数据集（如MovieLens-100K和ml-latest-small）上验证该方法的有效性。

提出的方法

• 将检测问题建模为通过最小二乘近似解学习评分行为与项目分布之间映射关系。
• 利用在学习映射关系上训练的回归器，检测表明异常档案的偏差。
• 将基于评分行为和基于项目分布的特征整合到单一统一模型中。
• 使用预测与实际项目分布之间的残差误差作为档案异常性的关键指标。
• 将该模型应用于MovieLens数据集中的真实用户档案，以检测注入的攻击档案。
• 通过与基于KNN的检测技术进行对比实验来验证该方法。

实验结果

研究问题

• RQ1 能否通过一个将评分行为映射到项目分布的统一模型，提升协同过滤系统中洗钱攻击的检测能力？
• RQ2 与现有的基于KNN的检测方法相比，该方法的性能如何？
• RQ3 对评分-项目分布关系进行最小二乘近似，在多大程度上能提升攻击检测的准确性？
• RQ4 通过学习映射将评分行为与项目分布特征结合，是否能比独立使用这些特征带来更好的检测效果？
• RQ5 该方法在不同真实世界推荐系统数据集（如MovieLens-100K和ml-latest-small）上的鲁棒性如何？

主要发现

• 在MovieLens-100K和ml-latest-small两个数据集上，所提方法的检测性能均优于基准的KNN方法。
• 通过最小二乘映射将评分行为与项目分布相结合，显著提升了对异常档案的识别能力。
• 基于回归器的检测器能有效捕捉档案结构中的偏差，表明对洗钱攻击模式具有高度敏感性。
• 该方法在多种评估指标下均表现出检测准确率的一致性提升，尽管提供的文本中未报告具体数值。
• 该方法在不同数据集规模和用户档案分布下表现出鲁棒性，表明具有良好的泛化能力。
• 该模型依赖于学习到的映射关系，减少了对人工设计特征的依赖，从而增强了适应性。