熵在维基百科上解释:
在信息论中,熵被用来衡量一个随机变量出现的期望值。它代表了在被接收之前,信号传输过程中损失的信息量,又被称为信息熵。信息熵也称信源熵、平均自信息量。
一篇论文中将熵作为检测噪声的指标:本文[1]定义了熵来描述用户模型评分的变化程度, 熵的定义如下: 用户模型Pu 可表示为统计集合
Xu= { ni , i= 1, 2, ,, rmax} , 其中i 是评分值, ni 是评分值i 在Pu 中出现的次数. 熵Entropy( Xu) 的计算公式如式(2) 所示:
n1 = n2 = n3 = n4 = n5, 这样求解到熵为最大值 entropy(max) = log2(5);n1 = S,entropy(min) = 0
熵的范围是[ 0, log2rmax] , 熵越小, 表示评分值变化幅度越小, 当所有评分值都相等时, 熵为0; 当ni 相等时, 熵取到最大值log2r max .论文[1]中认为托攻击者一般利用正态分布N 生成随机评分数据[ 2, 3] , 托攻击者的随机评分变化幅度较小, 而正
常用户会根据自己的兴趣偏好评分, 评分变化幅度较大。根据熵的变化来作为一个检测噪声的检测指标。 我的问题1:如果知道了攻击模型采用的分布,检测会不会更容易些呢?
尝试用python写了一个实现简单的entropy求解过程,数据集才用movielens,抽取了一小部分用户来测试:
# calculated one user'entropy
def entropy_user():
S = {}
for user in user_movie.keys():
n = 0
n1 = 0
n2 = 0
n3 = 0
n4 = 0
n5 = 0
for u in user_movie[user].keys():
S.setdefault(user,0)
if (user_movie[user][u] == 1.0):
n1 += 1
elif(user_movie[user][u] == 2.0):
n2 += 1
elif(user_movie[user][u] == 3.0):
n3 += 1
elif(user_movie[user][u] == 4.0):
n4 += 1
else:
n5 += 1
# print every rating times
print n1,n2,n3,n4,n5
n= n1+n2+n3+n4+n5
print "n",n
for x in n1,n2,n3,n4,n5:
if x==0:
continue
p = x / float(n)
p1 = log(p,2)
S[user] += -1*p*p1
return S
实验结果:
数据显示为每个用户,以及该用户对应的熵:
{'1': 2.2339979078388272, '3': 2.0931147203787517, '2': 1.823067982273661, '5': 2.219733897483769,
'4': 1.4854752972273344, '6': 2.016645572517734}
不足之处还望各位指正,刚接触推荐系统,多多交流~~~
- References:
- [1] 伍之昂1, 庄 毅2, 王有权3 , 曹 杰1, 3基于特征选择的推荐系统托攻击检测算法 .电 子 学 报Vol . 40 No. 8Aug. 2012
- [2]S Zhang , A Chakrabarti, J Ford, F Makedon. Attack detection in time series for recommender systems [ A] . Proceedings of the 12th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining ( KDDc 06 ) [ C] . Philadelphia, Pennsylvania, USA, 2006.
- [3] C Williams. Profile Injection Attack Detection for Securing Collaborative Recommender Systems[ R] . DePaul University
CTI Technical Report, 2006.