基于深度学习的推荐系统中的毒药攻击

最新推荐文章于 2022-10-09 12:36:18 发布

Xidian小韩同学

最新推荐文章于 2022-10-09 12:36:18 发布

阅读量1.6k

点赞数 4

分类专栏：推荐系统文章标签：深度学习

本文链接：https://blog.csdn.net/weixin_44760744/article/details/112860162

版权

这篇论文探讨了在基于深度学习的推荐系统中进行数据毒药攻击的问题，指出现有攻击方法主要针对传统推荐算法，而对深度学习模型的安全性影响未明。作者提出一种启发式方法，通过构建毒药模型来模拟推荐系统，优化目标项目的命中率，展示了这种攻击对深度学习推荐系统的潜在威胁。

摘要由CSDN通过智能技术生成

发表于2021年的NDSS，首个在基于深度学习的推荐系统中进行毒药攻击的研究。

《Data Poisoning Attacks to Deep Learning Based Recommender Systems》论文阅读笔记

背景：
（1）推荐系统，从基于近邻，关联规则，矩阵分解，到基于深度学习的模型（非线性变换，传统方法达不到，性能好），已在工业界得到广泛应用。
非个性推荐系统：给所有用户推荐相同的项目；
个性化：根据用户的历史行为建模兴趣，给每个用户推荐排名靠前的几个
（2）推荐系统中的毒药攻击：
在系统中注入伪用户，攻击者的目标是操纵推荐系统，给用户推荐攻击者选择的目标项目。可能对推荐系统的可靠性构成威胁，操纵互联网观点。如果攻击者操纵新闻推荐系统，始终把特定类型的新闻推荐给用户，就可以操纵用户的观点。
已有方法：
现有的数据毒药攻击只是对传统的推荐算法（如基于关联规则，图形，矩阵分解）进行了优化。
存在问题：
尽管基于深度学习的推荐系统越来越受到人们关注，但他们在数据毒药攻击中的安全性还不清楚。
构造攻击的关键是为每一个伪用户选择评分的项目。将攻击视为最优化问题，目标函数是最大化目标项目的命中率（也就是项目推荐给用户的概率）。问题：
（1）用户项目的数据是离散变量；

关注