鲁棒推荐系统

一、背景

  随着互联网技术的迅速发展，网络上的信息资源呈现爆炸式增长，这就带来了信息超载的问题：信息接收者或处理者所接收的信息远远超出其信息处理能力。在这种情况下，推荐系统应运而生。

二、推荐系统定义

  推荐系统通过用户的个人资料、商品购买行为以及对商品的评价反馈等信息来分析用户的个人兴趣偏好，为用户推荐其可能感兴趣的商品信息，从而实现对用户的个性化推荐。1997年Resnick和Varian对推荐系统进行了定义：推荐系统是通过电子商务网站向顾客给出商品的信息和建议，帮助用户决策应该购买什么商品，模拟销售人员协助客户完成购买过程。

三、推荐算法

  推荐算法是推荐系统的核心，推荐算法可以抽象成一个函数，函数的输入端是接收若干个参数，输出端是一个返回值。推荐算法可以简化成如图1所示。

图1 推荐算法

Fig. 1 Recommender algorithm

   在图1中，推荐算法的输入值是用户和项目的属性，有姓名、年龄、发布者和发布时间，然后推荐算法对收集的属性进行处理，返回一个有序的用户项目喜好列表。
   目前推荐算法主要有协同过滤推荐算法、混合推荐算法和基于内容的推荐算法等，其中协同过滤推荐算法应用最为广泛。协同过滤推荐算法在推荐算法中是很常用的算法，它的思想是使用已经存在的用户群历史行为来预测当前用户可能的喜好。利用协同过滤推荐系统可以提供精确的信息，为用户提供高质量的推荐，使商家得到更大的利益，使用户能够得到更好的服务。由于推荐系统要收集用户评分才能对用户进行更好的推荐，一些恶意用户利用推荐系统对用户开放的特性，他们向系统中加入大量伪造的虚假用户评分信息，试图改变推荐结果，这样的行为被称为“托攻击”。托攻击按照攻击的目的可以分为两类，一类是推攻击，一类是核攻击。
   推荐系统在面对托攻击时，推荐性能会明显下降，导致推荐结果产生偏差，从而容易引起用户的不满和商家利益受损。本课题主要研究如何提高推荐系统的鲁棒性，即提高系统的抗攻击能力，避免恶意用户的影响，保障推荐结果的可靠性。使得用户能够买到真正需要的商品，提升商家可信度，增大商品销售量，为建立可信的绿色电子商务机制提供有效保障。