Preventing Recommendation Attack in Trust-Based Recommender Systems

尽管有它的成功，基于类似的合作过滤受不了一些限制，例如可伸缩性，稀少和建议攻击。优先的工作证明了把信任机制合并到传统的合作过滤 recommender 系统能改进这些限制。我们主张基于信任的 recommender 系统正在面对与在传统的 recommender 系统的侧面注射攻击不同的新奇建议攻击。就我们的知识而言，在那里没在一个基于信任的 recommender 系统在建议攻击以后有任何优先的学习。我们分析攻击问题，并且发现牺牲品节点在攻击起一个重要作用。而且，我们建议一个数据起源方法跟踪恶意的用户并且作为 recommender 系统的怀疑用户识别牺牲品节点。defend 方法的可行性学习用完从 Epinions 网站爬的数据集。