Shilling attack detection for recommender systems based on credibility of group users and rating time series

Abstract

Recommender systems are vulnerable to shilling attacks. Forged user-generated content data, such as user ratings and reviews, are used by attackers to manipulate recommendation rankings. Shilling attack detection in recommender systems is of great significance to maintain the fairness and sustainability of recommender systems. The current studies have problems in terms of the poor universality of algorithms, difficulty in selection of user profile attributes, and lack of an optimization mechanism. In this paper, a shilling behaviour detection structure based on abnormal group user findings and rating time series analysis is proposed. This paper adds to the current understanding in the field by studying the credibility evaluation model in-depth based on the rating prediction model to derive proximity-based predictions. A method for detecting suspicious ratings based on suspicious time windows and target item analysis is proposed. Suspicious rating time segments are determined by constructing a time series, and data streams of the rating items are examined and suspicious rating segments are checked. To analyse features of shilling attacks by a group user’s credibility, an abnormal group user discovery method based on time series and time window is proposed. Standard testing datasets are used to verify the effect of the proposed method.

Концепція Формування Пояснень В Рекомендаційних Системах За Принципом Білого Ящику

“…Рекомендаційна система зазвичай не має інформації, або має мінімум інформації про покупки нових користувачів. Штучне спотворення даних про популярність товарів та послуг використовується зловмисниками з метою просування важливих для них об'єктів [7]. Отримані в результаті рекомендації не будуть відповідати інтересам користувача рекомендаційної системи.…”

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

“…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].…”

Дослідження Відомих Моделей Атак На Рекомендаційні Системи З Колаборативною Фільтрацією

“…Основним типом атак на рекомендаційні системи з КФ для накручування рейтингів є атаки ін'єкцією профілів [1,2,[4][5][6][7][8][9][10], які полягають у створенні групи профілів ботів для виконання узгоджених дій по зміщенню рейтингів об'єктів у системі. Оскільки результати роботи алгоритмів КФ залежать від дій користувачів системи, можна створювати підробні профілі, або платити справжнім користувачам за виконання дій, що будуть впливати потрібним зловмиснику чином на результати роботи системи.…”