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)技術突飛的發(fā)展，人們喜歡在互聯(lián)網(wǎng)上通過電子商務網(wǎng)站來購買各種各樣的商品。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)了嚴重的信息超載（Information Overload）現(xiàn)象[1-3]。所以，人們在享受電子商務帶來便利的同時，也面臨著一個嚴峻的挑戰(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]應運而生，它與電子商務系行結合，能夠有效地解決信息超載問題。與傳統(tǒng)的搜索引擎不系統(tǒng)能根據(jù)用戶的個人資料、商品購買記錄以及對商品的評價等歷史信息來分析用戶的個人興趣、愛好，快速找出并主動為其可能感興趣的商品信息，從而在實現(xiàn)個的同時提高用戶檢索信息的效率。


1997年，Resnick和Varian[8]:“”目前，電子商務網(wǎng)站是個系統(tǒng)的一個主要應用領域，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[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)技術是早出現(xiàn)、理論為成熟和應用為廣泛的技術之一[19-20]。本書內(nèi)容即基于協(xié)同展開系列相關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，其中基于內(nèi)算法又可分為基于用算法（User-basedRecommendation Algorithm)[23-24]和基于項目的] 行 đ __m-based Recom.mendaion Algorithm)[25-26]。協(xié)同 算法 首先計算系 統(tǒng)中 用戶（項目）間的相似度，然后依據(jù)相似度找出與目標用戶（項目）相似的鄰居集合，


后根鄰用戶對目標項目的評分（目標用戶鄰項目的評分）為目標用戶。雖然基于內(nèi)算法易于實精度高，但相似度計算和尋鄰的過程中需要遍歷整個評分矩陣，所以算法運行效率會隨著評分效據(jù)的增多而降低，實時性不高。基于模算法首先運用統(tǒng)計或機器學習等方法對用戶-項目評分數(shù)行訓練得到一個模型，此過程通常離線完成；然后利用該模型在線為目標用戶。相比基于內(nèi)算法來說，基于模算法實時性較高。常見的基于模算法有貝葉斯模型[27]聚類模型[28-29]、回歸模型[30]、基于Markov鏈的模型[31]、潛在語義分析模型[32-34]和目前應用廣泛的基于矩陣分解的潛在因子模型[35]等。協(xié)同算法基于用戶對項目的評分數(shù)據(jù)來完成對目標用，


因此，收集到的評分數(shù)據(jù)越多，越能彰顯用戶的喜好，越能得到高質(zhì)結果，這就系統(tǒng)必須具有較強的開放性，以充分調(diào)動用戶參與評分的積極性[36]。然而，一些惡意用戶從個人利益角度出發(fā)，系統(tǒng)的開放性，人為地將大量虛假用戶評分注入到系統(tǒng)中，企圖影響用戶的購買行為。由此可見，雖然系統(tǒng)可用的評分數(shù)據(jù)增加了，但是數(shù)據(jù)質(zhì)量卻嚴重降低，使系結果受到很大影響。這種將虛假用戶概貌注系統(tǒng)中干擾系統(tǒng)的過程，使系結果產(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，分別用來提高和降低目標項目被的頻率。


……