多标准协同过滤中基于信任与影响力感知的群体注入攻击模型

《Scientific Reports》：Trust and power-aware group shilling attacks on multi-criteria top-N recommendation systems

　　

摘要

多标准协同过滤（MCCF）系统通过考虑用户在多个标准上的偏好来提高推荐质量。然而，MCCF 系统丰富的多维结构也使其容易受到复杂的注入攻击。特别是，协同群体注入攻击可以生成具有行为特征的虚假画像，从而显著操纵推荐结果。尽管文献中提出了各种攻击生成方法，但现有方法通常依赖于随机填充项选择，未能有效利用多标准环境中影响力用户的特征。为了解决这一局限性，本研究提出了一种新颖的信任和影响力感知的群体注入攻击模型，称为群体注入攻击影响力攻击（GSAGenPA）。与传统攻击模型不同，所提出的方法基于用户影响力指标识别有影响力的用户，并通过模仿其偏好行为生成攻击画像。此外，针对推升和打压攻击场景，引入了新的面向信任的目标项选择策略。所提出的框架在不同的攻击配置下，在多标准推荐数据集上进行了评估。实验结果表明，GSAGenPA 提供了一种具有战略意识的攻击生成机制，与随机填充项选择基线（\(GSAGen_{l} Ran\)）相比，持续提高了推荐操纵性能。然而，所提出的影响力感知变体在绝对攻击成功率方面通常并未超过基于平均值的填充项选择基线（\(GSAGen_{l} Avg\)），这凸显了影响力感知画像构建与最大操纵有效性之间的权衡。