推荐系统托攻击实例分析

一.托攻击实例分析

  举例推荐系统遭受攻击使推荐结果发生偏移的例子。

                                表1.1 用户评分矩阵
                            Tab. 1.1 User rating matrix

  表1.1是一个用户评分矩阵，行代表用户，其中User1_{User6为正常用户，Attacker1、Attacker2和Attacker3为攻击用户，列代表项目Movie1}Movie6，是六部不同的电影，数字代表用户对该项目的评分，评分范围是1-5，5代表非常喜欢，1代表不怎么喜欢，—代表未评分，?表示要预测用户User6对项目Movie6的评分。利用协同过滤思想，使用欧式距离计算用户User1~User5与用户User6的相似度，相似度值为3.60、5.92、3.46、4.80和7.41，相似度值越小，代表与用户User6越相似，然后选取3个相似度值最小的作为User6的邻居，最小值为3.60、3.46和4.80，分别对应的是User1、User3和User4，在根据User1、User3和User4对项目Movie6的评分来综合预测User6对项目Movie6的评分，User1、User3和User4对项目Movie6的评分为3、2和1，经过计算得到User6对项目Movie6的预测评分为1.35，表示User6对项目Movie6不怎么喜欢，系统不会将Movie6推荐给User6。接下来在加入攻击用户Attack1、Attack2和Attack3，在重新计算相似度，相似度值为3.60、5.92、3.46、4.80、7.41、3.16、1.73和2.82，可以看出三个攻击用户的相似度值最小，所以现在选取攻击用户Attacker1、Attacker2和Attacker3作为User6的邻居，用来预测User6对项目Movie6的评分，三个攻击用户对项目Movie6的评分都为5，经过计算得到User6对项目Movie6的预测评分为4.80，表示User6对项目Movie6喜欢，系统会将Movie6推荐给User6。在没受到攻击之前User6对项目Movie6预测为不怎么喜欢，系统不会将Movie6推荐给User6，遭受到攻击之后User6对项目Movie6为喜欢，系统会将Movie6推荐给User6，这就是推荐系统遭受攻击改变推荐结果。