第pan>章緒論


1.pan style="font-family:宋體">研究背景和意義


隨著互聯(lián)網(wǎng)技術(shù)突飛的發(fā)展，人們喜歡在互聯(lián)網(wǎng)上通過(guò)電子商務(wù)網(wǎng)站來(lái)購(gòu)買(mǎi)各種各樣的商品。然而，隨著網(wǎng)上交易用戶的日益增多和商品信息量的極大豐富，出現(xiàn)了嚴(yán)重的信息超載（Information Overload）現(xiàn)象[1-3]。所以，人們?cè)谙硎茈娮由虅?wù)帶來(lái)便利的同時(shí)，也面臨著一個(gè)嚴(yán)峻的挑戰(zhàn)——如何在信息的海洋中、快捷地找到自己真正所需的商品信息。因系統(tǒng)（Recommender Systems)[4-7]應(yīng)運(yùn)而生，它與電子商務(wù)系行結(jié)合，能夠有效地解決信息超載問(wèn)題。與傳統(tǒng)的搜索引擎不系統(tǒng)能根據(jù)用戶的個(gè)人資料、商品購(gòu)買(mǎi)記錄以及對(duì)商品的評(píng)價(jià)等歷史信息來(lái)分析用戶的個(gè)人興趣、愛(ài)好，快速找出并主動(dòng)為其可能感興趣的商品信息，從而在實(shí)現(xiàn)個(gè)的同時(shí)提高用戶檢索信息的效率。


1997年，Resnick和Varian[8]:“”目前，電子商務(wù)網(wǎng)站是個(gè)系統(tǒng)的一個(gè)主要應(yīng)用領(lǐng)域，比如Amazon、豆瓣網(wǎng)、eBay和網(wǎng)等都不同程度地使用了多種形技術(shù)[9]，主要有基于內(nèi)[10-3]、協(xié)同[14]、基于知[15-16]和[17-18]等。其中協(xié)同（CollaborativeFiltering Recommendation)技術(shù)是早出現(xiàn)、理論為成熟和應(yīng)用為廣泛的技術(shù)之一[19-20]。本書(shū)內(nèi)容即基于協(xié)同展開(kāi)系列相關(guān)研究工作之成算法決定了系統(tǒng)的性能好壞，系統(tǒng)的核心部分[21-2]。協(xié)同算法分為基于內(nèi)算法（Memory-based RecommendationAlgorithm）和基于模算法（Model-based Recommendation Algorithm）兩大類(lèi)，其中基于內(nèi)算法又可分為基于用算法（User-basedRecommendation Algorithm)[23-24]和基于項(xiàng)目的] 行 đ __m-based Recom.mendaion Algorithm)[25-26]。協(xié)同 算法 首先計(jì)算系 統(tǒng)中 用戶（項(xiàng)目）間的相似度，然后依據(jù)相似度找出與目標(biāo)用戶（項(xiàng)目）相似的鄰居集合，


后根鄰用戶對(duì)目標(biāo)項(xiàng)目的評(píng)分（目標(biāo)用戶鄰項(xiàng)目的評(píng)分）為目標(biāo)用戶。雖然基于內(nèi)算法易于實(shí)精度高，但相似度計(jì)算和尋鄰的過(guò)程中需要遍歷整個(gè)評(píng)分矩陣，所以算法運(yùn)行效率會(huì)隨著評(píng)分效據(jù)的增多而降低，實(shí)時(shí)性不高�；�于模算法首先運(yùn)用統(tǒng)計(jì)或機(jī)器學(xué)習(xí)等方法對(duì)用戶-項(xiàng)目評(píng)分?jǐn)?shù)行訓(xùn)練得到一個(gè)模型，此過(guò)程通常離線完成；然后利用該模型在線為目標(biāo)用戶。相比基于內(nèi)算法來(lái)說(shuō)，基于模算法實(shí)時(shí)性較高。常見(jiàn)的基于模算法有貝葉斯模型[27]聚類(lèi)模型[28-29]、回歸模型[30]、基于Markov鏈的模型[31]、潛在語(yǔ)義分析模型[32-34]和目前應(yīng)用廣泛的基于矩陣分解的潛在因子模型[35]等。協(xié)同算法基于用戶對(duì)項(xiàng)目的評(píng)分?jǐn)?shù)據(jù)來(lái)完成對(duì)目標(biāo)用，


因此，收集到的評(píng)分?jǐn)?shù)據(jù)越多，越能彰顯用戶的喜好，越能得到高質(zhì)結(jié)果，這就系統(tǒng)必須具有較強(qiáng)的開(kāi)放性，以充分調(diào)動(dòng)用戶參與評(píng)分的積極性[36]。然而，一些惡意用戶從個(gè)人利益角度出發(fā)，系統(tǒng)的開(kāi)放性，人為地將大量虛假用戶評(píng)分注入到系統(tǒng)中，企圖影響用戶的購(gòu)買(mǎi)行為。由此可見(jiàn)，雖然系統(tǒng)可用的評(píng)分?jǐn)?shù)據(jù)增加了，但是數(shù)據(jù)質(zhì)量卻嚴(yán)重降低，使系結(jié)果受到很大影響。這種將虛假用戶概貌注系統(tǒng)中干擾系統(tǒng)的過(guò)程，使系結(jié)果產(chǎn)生偏差的行為被稱為托攻擊（ShillingAttacks),也叫概貌注入攻擊(Profile Infection Attacks)攻擊(Recom-mendation Attacks)[37-38][39]：隨機(jī)攻擊（Random Attack)、均值攻擊（Average Attack)、流行攻擊（BandwagonAttack)和AoP攻擊（Average over Popular Items Attack)等。 根據(jù)攻擊的目的一步將托攻擊分為推攻擊（Push Attack）和核攻擊（Nuke Attack）兩類(lèi)，分別用來(lái)提高和降低目標(biāo)項(xiàng)目被的頻率。


……