【Paper-Attack】Poisoning Attacks to Graph-Based Recommender Systems

Poisoning Attacks to Graph-Based Recommender Systems

背景

一些研究显示推荐系统容易受到poisoning attack（向推荐系统注入虚假数据，从而使推荐系统按照攻击者的意愿做推荐）影响，现有研究在基于图的推荐系统上的工作还很少，都是基于关联规则的或者基于矩阵分解。

攻击者的目标：将target item推荐给越多的用户越好

挑战

如何给fake user分配打分，来使得target item被推荐给更多的正常用户？
$$\Downarrow$$
将poisoning attack定义为一个优化问题（注入m个fake user，每个fake user有n个filler item），并且提出解决优化问题的方法，目标函数是hit ratio（正常用户中，包含target item的用户比例）

动机

模型

单个用户的loss

target item t 排名越靠前，item i排名越靠后，p_ut越大，p_ui越小，loss越小

g是Wilcoxon-Mann-Whitney 损失函数，用来提升排序效果，b是width参数

全部用户的loss

对那些没有为了target item打分的单个用户$s\in S$ 的loss求和

近似为优化问题

正则化w_v是为了建模约束（每个fake user只能为一小部分item打分）

解决优化问题

使用PGD解决公式6的优化问题，得到$w_i$（fake user v 连接全部item的边的权重）

生成打分

几个假设：

1. fake user对target打最高分
2. 根据前面求出的$w_i$从高到低选择n个item作为filler item
3. 为每个filler item打分：从正常用户为这个item打分的分布中sample一个数，离散化后作为分数

注：只使用权重来选择filler item，而不是打分