Method for Detecting Shilling Attacks in E-Commerce Systems Using Weighted Temporal Rules

Chala, Oksana; Novikova, Lyudmyla; Chernyshova, Larysa

doi:10.21303/2461-4262.2019.00983

Cited by 8 publications

(12 citation statements)

References 14 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…In the third step, basic explanations are formed that take into account the temporal dynamics of user interests. At the fourth step, a set of matched temporal rules is formed (4). All rules from this set satisfy the constraint (3).…”

Section: Discussion Of the Results Of Developing A Methods For Clarifymentioning

confidence: 99%

Detailing explanations in the recommender system based on matching temporal knowledge

Chalyi

Leshchynskyi

Leshchynska

2020

EEJET

View full text Add to dashboard Cite

about users may be inaccurate or incomplete, which leads to distortion of recommendations. The received incorrect recommendations do not meet the interests of users, which reduces the credibility of the recommender system. Inaccuracies and distortions in user preference data result from shilling attacks [4]. Such attacks are used to change the sales of target items in the direction desired by the attacker. The essence of a shilling attack is to artificially change the ratings of the target items. As a result, a personal recommendation is formed with distortions and may not take into account the real preferences of users. The recommender system, using an incorrect personal list of goods and services, "forces" the user to choose those items that the attacker is interested in. In case of incomplete information about the user, recommendations are built for new or irregular users [5]. In such a cold start situation, there are no data obtained as a result of feedback from the user, since the latter has not yet made purchases or posted ratings. Therefore, at present, one of the trends in the development of recommender systems, which makes it possible to consider the incompleteness and inaccuracy of the initial data, is to

show abstract

Section: Discussion Of the Results Of Developing A Methods For Clarifymentioning

confidence: 99%

Detailing explanations in the recommender system based on matching temporal knowledge

Chalyi

Leshchynskyi

Leshchynska

2020

EEJET

View full text Add to dashboard Cite

show abstract

“…The difference between the proposed method and [13] in detecting a shilling attack consists in the use of a set of temporal rules that associate all previous intervals with the current one ( Fig. 1), which makes it possible to obtain a generalized estimate of the discrepancies between sales and rating.…”

Section: Discussion Of the Results Of Developing A Methods For Detectimentioning

confidence: 99%

“…Therefore, such rules can specify temporal relationships between intervals or points in time and between subsets of facts ordered in time. The "Next" rule uses the temporal operator X, which links two successive selection/rating events [13]. When this rule is fulfilled, no true intermediate facts can exist between the facts Ф m and Ф s .…”

Section: A Temporal Model Of the Process Of Changing Of The Recommendmentioning

confidence: 99%

See 1 more Smart Citation

Method for Detecting Shilling Attacks Based on Implicit Feedback in Recommender Systems

Chala

Novikova

Chernyshova

et al. 2020

EUREKA: Physics and Engineering

Self Cite

View full text Add to dashboard Cite

The problem of identifying shilling attacks, which are aimed at forming false ratings of objects in the recommender system, is considered. The purpose of such attacks is to include in the recommended list of items the goods specified by the attacking user. The recommendations obtained as a result of the attack will not correspond to customers' real preferences, which can lead to distrust of the recommender system and a drop in sales. The existing methods for detecting shilling attacks use explicit feedback from the user and are focused primarily on building patterns that describe the key characteristics of the attack. However, such patterns only partially take into account the dynamics of user interests. A method for detecting shilling attacks using implicit feedback is proposed by comparing the temporal description of user selection processes and ratings. Models of such processes are formed using a set of weighted temporal rules that define the relationship in time between the moments when users select a given object. The method uses time-ordered input data. The method includes the stages of forming sets of weighted temporal rules for describing sales processes and creating ratings, calculating a set of ratings for these processes, and forming attack indicators based on a comparison of the ratings obtained. The resulting signs make it possible to distinguish between nuke and push attacks. The method is designed to identify discrepancies in the dynamics of purchases and ratings, even in the absence of rating values at certain time intervals. The technique makes it possible to identify an approach to masking an attack based on a comparison of the rating values and the received attack indicators. When applied iteratively, the method allows to refine the list of profiles of potential attackers. The technique can be used in conjunction with pattern-oriented approaches to identifying shilling attacks

show abstract

“…Штучне спотворення рейтингів товарів та послуг є наслідком атак користувачів (шилінг-атак) з метою збільшення продажів цільової групи об'єктів [8]. Отримані з використанням спотворених даних рекомендації відповідають інтересами зловмисників, а не користувачів рекомендаційною системи [9]. Тому спотворення рекомендацій може знизити довіру користувача до рекомендаційної системи і, як наслідок, зменшити продажі товарів та послуг у відповідній системі електронної комерції.…”

Section: вступunclassified

Моделювання Пояснень Щодо Рекомендованого Переліку Об’єктів З Урахуванням Темпорального Аспекту Вибору Користувача

Chalyi¹,

Leshchynskyi²,

Leshchynska³

2019

CNCS

View full text Add to dashboard Cite

Предметом вивчення в статті є процеси формування пояснень щодо рекомендованого переліку товарів та послуг в рекомендаційних системах. Метою є розробка моделей пояснення щодо рекомендованого переліку товарів та послуг з урахуванням зміни інтересів користувачів у часів. Завдання: обґрунтувати вибір критеріїв для оцінки пояснень; розробити узагальнену модель пояснення, що враховує довіру користувача, а також зміни у продажах товарів та послуг. Використовуваними підходами є: підходи до побудови рекомендацій на основі схожості вибору користувачів, а також характеристик об'єктів користувацького вибору. Отримані наступні результати. Проведено порівняльний аналіз критеріїв оцінки пояснень та обґрунтовано вибір критеріїв довіри та результативності як ключових для моделювання пояснень з урахуванням темпорального аспекту вибору користувача. Запропоновано моделі представлення пояснень у вигляді числового показника, значення якого характеризує зміну продажів протягом визначеного періоду часу, а знак пояснення визначає напрямок цих змін – збільшення або зменшення. Висновки. Наукова новизна отриманих результатів полягає в наступному. Запропоновано модель пояснення для рекомендацій. Пояснення представлено числовим показником, що враховує зміни продаж на товарів та послуг між інтервалами деталізації часу для визначеного періоду часу. Пояснення враховує зміни продажів вибраного товару на послідовних інтервалах часу для заданого рівня його деталізації, а також зміни продажів для всіх інтервалів у вибраному періоді часу у порівнянні з поточним інтервалом. Запропоноване числове представлення пояснення дає можливість задовільнити одночасно критерії довіри та результативності пояснень: знак показника відповідає критерію довіри, а абсолютне значення з урахуванням знаку дає можливість оцінити результативність роботи рекомендаційної системи. В практичному аспекті представлене пояснення дає можливість обґрунтувати сформовану рекомендацію навіть у випадку шилінг-атак та у ситуації холодного старту рекомендаційної системи, оскільки в якості вхідних даних для його побудови використовується об’єктивна інформація про покупки вибраного товару для заданого періоду часу

show abstract

Method for Detecting Shilling Attacks in E-Commerce Systems Using Weighted Temporal Rules

Cited by 8 publications

References 14 publications

Detailing explanations in the recommender system based on matching temporal knowledge

Detailing explanations in the recommender system based on matching temporal knowledge

Method for Detecting Shilling Attacks Based on Implicit Feedback in Recommender Systems

Моделювання Пояснень Щодо Рекомендованого Переліку Об’єктів З Урахуванням Темпорального Аспекту Вибору Користувача

Contact Info

Product

Resources

About