互聯(lián)網(wǎng)普及化為人們的生活與出行帶來(lái)了便利,但是,互聯(lián)網(wǎng)中存在著大量信息,人們花費(fèi)大量的時(shí)間對(duì)這些信息進(jìn)行篩選,以便獲得自己想要的信息,這種現(xiàn)象被稱(chēng)為信息過(guò)載,為了解決這一現(xiàn)象,推薦系統(tǒng)應(yīng)運(yùn)而生。但是由于推薦系統(tǒng)的開(kāi)放性,很多惡意用戶為了達(dá)到自己的目的,向推薦系統(tǒng)中注入大量虛假數(shù)據(jù),使推薦結(jié)果發(fā)生改變,嚴(yán)重的破壞了推薦系統(tǒng)的穩(wěn)定性。許多專(zhuān)家學(xué)者針對(duì)此問(wèn)題提出了一些解決方案。然而,隨著攻擊方式逐漸向有組織的群組攻擊方式轉(zhuǎn)變,現(xiàn)有的方法不能很好的針對(duì)群組攻擊進(jìn)行檢測(cè)。針對(duì)這一問(wèn)題,本文針對(duì)群組攻擊檢測(cè)進(jìn)行了深入的研究,并且提出了兩種基于目標(biāo)項(xiàng)目識(shí)別的群組攻擊檢測(cè)算法。首先,從時(shí)間角度對(duì)目標(biāo)項(xiàng)目評(píng)分情況進(jìn)行分析,采用半監(jiān)督算法對(duì)目標(biāo)項(xiàng)目進(jìn)行識(shí)別。對(duì)于每一個(gè)項(xiàng)目,都進(jìn)行項(xiàng)目時(shí)間序列的劃分,提取可疑項(xiàng)目及時(shí)間區(qū)間集合。通過(guò)對(duì)可疑項(xiàng)目特征的計(jì)算和半監(jiān)督分類(lèi)過(guò)程,識(shí)別目標(biāo)項(xiàng)目,進(jìn)而得到攻擊群組。其次,通過(guò)對(duì)用戶評(píng)分行為進(jìn)行分析,結(jié)合用戶與項(xiàng)目之間評(píng)分情況對(duì)群組攻擊檢測(cè)進(jìn)行研究。通過(guò)提取攻擊用戶特征,聚類(lèi)得出可疑用戶集合,并構(gòu)建用戶評(píng)分矩陣,根據(jù)矩陣中項(xiàng)目被評(píng)分情況計(jì)算項(xiàng)目可疑度,對(duì)可疑度進(jìn)行排序得出用... 

【文章來(lái)源】：燕山大學(xué)河北省

【文章頁(yè)數(shù)】：61 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 有監(jiān)督檢測(cè)
        1.2.2 無(wú)監(jiān)督檢測(cè)
        1.2.3 半監(jiān)督檢測(cè)方法
    1.3 主要研究?jī)?nèi)容
    1.4 本文的組織結(jié)構(gòu)
第2章 相關(guān)理論及群組攻擊介紹
    2.1 協(xié)同過(guò)濾推薦系統(tǒng)
        2.1.1 基于用戶的協(xié)同過(guò)濾推薦算法
        2.1.2 基于項(xiàng)目的協(xié)同過(guò)濾推薦算法
    2.2 攻擊模型相關(guān)知識(shí)
        2.2.1 攻擊概貌
        2.2.2 攻擊模型
        2.2.3 群組攻擊模型
    2.3 PU-Learning算法
    2.4 支持向量機(jī)
    2.5 K-means聚類(lèi)
    2.6 本章小結(jié)
第3章 基于項(xiàng)目時(shí)間序列與PU-Learning的群組攻擊檢測(cè)算法
    3.1 引言
    3.2 基于項(xiàng)目時(shí)間序列與PU-Learning的群組攻擊檢測(cè)框架
    3.3 目標(biāo)項(xiàng)目樣本抽取
    3.4 項(xiàng)目時(shí)間序列劃分
        3.4.1 項(xiàng)目時(shí)間序列劃分方法
    3.5 PU-Learning算法
        3.5.1 本文使用到的已有目標(biāo)項(xiàng)目特征介紹
        3.5.2 目標(biāo)項(xiàng)目特征提取
        3.5.3 特征降維算法
    3.6 目標(biāo)項(xiàng)目識(shí)別及群組攻擊檢測(cè)
    3.7 本章小結(jié)
第4章 基于用戶評(píng)分行為分析的群組攻擊檢測(cè)算法
    4.1 引言
    4.2 基于用戶評(píng)分行為分析的群組攻擊檢測(cè)算法框架
    4.3 用戶特征提取
        4.3.1 本文使用的已有的用戶特征介紹
        4.3.2 攻擊用戶特征提取
    4.4 用戶特征聚類(lèi)
        4.4.1 改進(jìn)的二分K-means聚類(lèi)
    4.5 目標(biāo)項(xiàng)目識(shí)別及群組攻擊檢測(cè)
    4.6 本章小結(jié)
第5章 實(shí)驗(yàn)過(guò)程與分析
    5.1 實(shí)驗(yàn)數(shù)據(jù)集及設(shè)置
        5.1.1 實(shí)驗(yàn)數(shù)據(jù)
        5.1.2 實(shí)驗(yàn)評(píng)價(jià)指標(biāo)
        5.1.3 實(shí)驗(yàn)環(huán)境
    5.2 參數(shù)的選取
    5.3 基于項(xiàng)目時(shí)間序列與PU-Learning的群組攻擊檢測(cè)算法實(shí)驗(yàn)
        5.3.1 對(duì)比實(shí)驗(yàn)及介紹
        5.3.2 實(shí)驗(yàn)結(jié)果與分析
    5.4 基于用戶評(píng)分行為分析的群組攻擊檢測(cè)算法實(shí)驗(yàn)
        5.4.1 對(duì)比實(shí)驗(yàn)及介紹
        5.4.2 實(shí)驗(yàn)結(jié)果與分析
    5.5 本章小結(jié)
結(jié)論
參考文獻(xiàn)
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于決策樹(shù)與樸素貝葉斯分類(lèi)的入侵檢測(cè)模型[J]. 姚濰,王娟,張勝利.  計(jì)算機(jī)應(yīng)用. 2015(10)
[2]一種基于流行度分類(lèi)特征的托攻擊檢測(cè)算法[J]. 李文濤,高旻,李華,熊慶宇,文俊浩,凌斌.  自動(dòng)化學(xué)報(bào). 2015(09)
[3]基于多維風(fēng)險(xiǎn)因子的推薦攻擊檢測(cè)方法[J]. 于洪濤,李鵬,張付志.  小型微型計(jì)算機(jī)系統(tǒng). 2015(05)
[4]基于PU學(xué)習(xí)算法的虛假評(píng)論識(shí)別研究[J]. 任亞峰,姬東鴻,張紅斌,尹蘭.  計(jì)算機(jī)研究與發(fā)展. 2015(03)
[5]基于仿生模式識(shí)別的未知推薦攻擊檢測(cè)[J]. 周全強(qiáng),張付志,劉文遠(yuǎn).  軟件學(xué)報(bào). 2014(11)
[6]推薦系統(tǒng)托攻擊模型與檢測(cè)技術(shù)[J]. 伍之昂,王有權(quán),曹杰.  科學(xué)通報(bào). 2014(07)
[7]基于SVM-KNN的半監(jiān)督托攻擊檢測(cè)方法[J]. 呂成戍,王維國(guó).  計(jì)算機(jī)工程與應(yīng)用. 2013(22)
[8]一種基于用戶偏好自動(dòng)分類(lèi)的社會(huì)媒體共享和推薦方法[J]. 賈大文,曾承,彭智勇,成鵬,陽(yáng)志敏,盧舟.  計(jì)算機(jī)學(xué)報(bào). 2012(11)
[9]基于特征選擇的推薦系統(tǒng)托攻擊檢測(cè)算法[J]. 伍之昂,莊毅,王有權(quán),曹杰.  電子學(xué)報(bào). 2012(08)
[10]K-means算法研究綜述[J]. 吳夙慧,成穎,鄭彥寧,潘云濤.  現(xiàn)代圖書(shū)情報(bào)技術(shù). 2011(05)



本文編號(hào)：3379196