"这篇论文是东南大学计算机软件与理论专业的硕士学位论文,主要研究基于免疫网络的具有防欺骗特性的推荐系统。作者针对推荐系统容易受到欺骗攻击,尤其是‘托’攻击的问题,通过深入分析现有推荐系统中的欺骗检测方法和免疫网络推荐算法,提出了一种新的推荐算法——RADSAIN,该算法结合了欺骗攻击疫苗和黑名单,引入了可信机制以增强防御能力。论文的主要贡献包括构建了一个防欺骗推荐系统框架FRSDSA以及详细阐述了RADSAIN算法的设计和仿真过程。"
推荐系统是信息技术领域的一个重要组成部分,它利用用户的历史行为数据和物品的属性信息,预测用户可能感兴趣的内容,从而实现个性化推荐。然而,由于推荐系统依赖于用户数据和反馈,恶意用户可能会通过创建虚假用户、发布虚假评价等方式进行欺骗攻击,比如“托”攻击,以操纵系统推荐结果,损害系统公正性和用户体验。
免疫网络算法是一种受到生物免疫系统启发的计算模型,它具有自我学习、记忆和适应性等特性,能有效识别和应对不断变化的威胁。在推荐系统中应用免疫网络,可以模拟生物免疫系统对未知威胁的防御机制,识别和过滤掉欺骗行为。
论文首先对现有的推荐系统欺骗检测方法进行了分析,这些方法可能包括异常检测、社区检测、时间序列分析等,它们能在一定程度上减少欺骗攻击的影响。然后,论文聚焦于免疫网络,探讨其在推荐系统中的应用,设计了防欺骗推荐系统框架FRSDSA。这个框架通过整合免疫网络的特性,提高了对新型欺骗手段的适应性。
核心贡献的RADSAIN算法则进一步引入了欺骗攻击疫苗和黑名单策略。欺骗攻击疫苗可以模拟免疫系统中的抗原,提前对系统进行“接种”,使其对某些特定类型的欺骗行为有一定的免疫力。黑名单则记录了已知的欺诈用户或物品,以便在推荐过程中排除它们的影响。同时,算法还引入了可信度机制,对用户的行为和反馈进行可信度评估,以降低不可靠信息对推荐结果的影响。
论文通过仿真研究验证了RADSAIN算法的有效性,比较了算法在不同欺骗攻击场景下的性能,展示了其在降低欺骗攻击影响、提升推荐准确性和用户满意度方面的优势。这一研究为推荐系统安全性和稳健性提供了新的解决方案,对于构建更健壮、更智能的推荐系统具有重要的理论和实践意义。