首页 > 代码库 > 【读书笔记】《推荐系统(recommender systems An introduction)》第九章 针对协同过滤推荐系统的攻击
【读书笔记】《推荐系统(recommender systems An introduction)》第九章 针对协同过滤推荐系统的攻击
个人评价：很有意思的一个话题，我在实际工作中也遇到过，不过这本书写的一般，有点儿“掉书袋”，太学术化、太YY、前提假设条件太强。姑且看看做借鉴吧。
通常推荐系统利用用户数据的时候，是假定用户是善良的、诚实的。而攻击，就只值认为设法影响系统的结果、性能。
攻击的维度：1. 针对某个物品，抬高或者降低其评分；2. 针对特定的用户群；3. 针对某个系统，然系统推荐不准确，甚至系统崩溃。
所有的攻击都是通过某种方式（例如：模拟用户行为）来向推荐系统中注入某种特定数据来达到目的的。
攻击类型：
1. 随机攻击
向系统中注入随机数值，从而达到对推荐系统的干扰的目的。
2. 均值攻击
在随机攻击的基础之上，利用评分均值，构造更加“像”的注入数据
3. 造势攻击
比均值攻击更加高明的地方在于，除了有对目标物品的高评分（或者低平分）之外，还包含了很多热门物品的高评分，这样的目的在于：很多用户的使用记录也包含了这些热门物品，注入的数据更容易和用户形成“近邻”关系，从而更容易被推荐系统采用，更容易影响到最终的用户。
4. 局部攻击
比造势攻击更加高明的地方在于，局部攻击能够识别出特定的用户群体，并据此发生攻击。——个人评价：识别特定用户群，在攻击中应该很难，除非窃取了推荐系统的部分数据。
5. 针对性的打压攻击
与抬高某个物品的评分的目的不同，打压攻击是为了要降低某个物品的评分。方法就是上面的方法，反其道而行之。通常，打压攻击更加容易得手——学术界还没有解释出为什么会存在这种不对称性。
6. 点击流攻击和隐式反馈
手段是模拟用户在网页上的操作，来达到注入数据的目的。——个人怀疑，前面五种方法都是怎么注入数据的？难不成直接修改人家后台数据库吧？！
点击流攻击通常影响的是“看了这本书的同学很多人也看了那本书”
攻击对策
1. 提升数据注入成本
2. 自动检测异常数据，方法因不同系统而各异，如：短时间内同方向大量数据进入、相比其他数据的异常数据进入
保护数据隐私
1. 在正常数据中加入随机扰动
2. 分布式存储——同一个用户的数据被存在多个地方，即便某一个地方泄露，也不能获取整个用户记录
完。
【读书笔记】《推荐系统(recommender systems An introduction)》第九章 针对协同过滤推荐系统的攻击
声明：以上内容来自用户投稿及互联网公开渠道收集整理发布，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任，若内容有误或涉及侵权可进行投诉： 投诉/举报 工作人员会在5个工作日内联系你，一经查实，本站将立刻删除涉嫌侵权内容。