深度自动编码器驱动的托攻击综合检测策略：实证Netflix数据集

本文主要探讨了在基于协同过滤技术的推荐系统中，恶意用户通过执行托攻击（shilling attack）来干扰推荐结果的问题。托攻击是通过操控用户的评分行为，让系统推荐出现偏差，以达到特定的目的。传统的托攻击检测方法往往依赖人工特征工程，这种方法存在两个主要问题：一是对特征工程质量的高敏感性，特征的质量直接影响检测性能；二是特征提取通常局限于特定类型的攻击，且需要专业知识才能进行。 为了解决这些问题，作者提出了一种创新的托攻击集成检测方法，该方法利用深度稀疏自动编码器（Deep Sparse Autoencoder，DSAE）自动从用户评分项目的时间偏好信息中提取特征。首先，通过小波变换，将项目在不同时间间隔内的流行度划分为多个等级，形成用户-项目时间流行度等级矩阵。这个步骤减少了对人工预处理的需求，提升了特征表示的自适应性和泛化能力。 接着，DSAE被应用于这个矩阵上，自动学习并提取出用户评分模式的底层特征表达，消除了手动特征选择的局限性。在深度稀疏自动编码器的每一层，作者采用支持向量机（SVM）作为基分类器，对每个层次的特征进行攻击检测，并将所有层次的检测结果整合，形成最终的集成检测结果。这种集成策略有助于提高检测的准确性和鲁棒性。 实验结果显示，该基于深度自动编码器的托攻击集成检测方法在Netflix数据集上对均值攻击、AoP攻击、偏移攻击、高级项目攻击和高级用户攻击等不同类型攻击表现出良好的检测性能。这种方法不仅降低了对特征工程的依赖，而且能够适应不同的攻击类型，具有较强的实用性。 总结来说，这篇论文提出了一种新颖的托攻击检测方法，通过深度学习技术自动挖掘用户行为中的隐藏模式，从而提高推荐系统的安全性，对于提升推荐系统对抗恶意行为的能力具有重要意义。