托攻击检测研究的最新成果

恶意用户向推荐系统中注入虚假用户评分数据或评价信息，试图操纵推荐系统推荐结果的行为被称为概貌注入攻击（Profile injection attack），一般简称为托攻击［18，19］。其中，用户的异常兴趣爱好和托攻击不同，用户的异常兴趣爱好往往是单一的用户概貌，推荐系统不会因单个用户概貌而明显地改变推荐结果；而托攻击行为往往是大量的、群体的、目的性明确的操纵推荐系统推荐结果的行为，这种行为会对推荐系统造成恶意影响［20］。

托攻击对推荐系统平台有很强的威胁，针对推荐系统托攻击，构建防御托攻击算法是研究者积极研究的重点。KDD，SIGIR，ICDM，AAAI，WWW，RecSys，INFORMS Journal on Computing等多个重要国际学术会议和国际期刊多次报道这方面的研究工作。很多学者都投入推荐系统托攻击检测的研究当中，目前已经取得了一定的研究成果。但是，目前的推荐系统托攻击防范机制并不完善，例如在托攻击检测的普适性和准确性方面，仍旧需要更加深入的研究。(www.xing528.com)

推荐系统能够主动地向用户推荐有用信息从而得到广泛的应用［21］。推荐算法一般通过挖掘用户评分信息向用户提供推荐项目，其中，推荐系统的评分矩阵由用户、项目以及用户对项目的评分组成［22］。在正常情况下，用户和项目数量越多，用户对项目的评分越多，推荐系统的推荐质量越高［23］。推荐系统成立之初，管理者为了尽可能多地收集用户评分信息，简化了注册审查的流程以便让更多的用户创建账号，从而使推荐结果更为准确［20］。但是实际中恶意用户利用这种推荐系统开放性的特点，有目的地向推荐系统中注入伪造的评分数据，试图改变某些商品在推荐系统中的排名，而导致其他用户收到不准确的推荐信息［18，19］。如有的商品销售者为获取更高的市场占有率，设法贬低竞争销售者的商品，打压其竞争对手，造成不公平竞争［24］。或者为了达到某种目的蓄意对推荐系统注入不客观或者有偏见的评分数据或评论信息，试图改变这些商品在推荐系统中的排名以提高自身商品的推荐频率［25］。托攻击行为的存在严重干扰了推荐系统的正常运行，导致用户不能购买或选择真正需要的商品和信息，损害正常用户正当利益，并使得用户不信任推荐系统的推荐结果，从而导致推荐系统信誉和利润损失［26］。因此，将此类托攻击评分概貌从推荐系统中找出并消除其影响是一个迫切需要解决的问题。