基于半监督学的推荐系统托攻击检测方法

摘要

本发明公开了一种基于半监督学的推荐系统托攻击检测方法，包括以下阶段：托攻击检测预处理阶段；通过对标记数据集和未标记数据集的数据进行预处理，获得标记和未标记数据集的托攻击检测指标，然后在标记数据集上训练初始的朴素贝叶斯分类器；EM-λ算法阶段；通过EM-λ算法不断迭代获取一个稳定的分类器，最终得到未标记数据集的类型；通过函数f:U→C来预测未标记用户属于正常用户normal(N)还是托攻击用户shilling(S)，完成推荐系统托攻击检测。本发明用于发现推荐系统中的托攻击用户，具有高效性、灵敏性和特效性，具有高检测率和低错误率。

主权项

一种基于半监督学习的推荐系统托攻击检测方法，其特征在于该方法包括以下阶段：1）托攻击检测预处理阶段；该阶段通过对标记数据集和未标记数据集的数据进行预处理，获得标记和未标记数据集的托攻击检测指标，然后在标记数据集上训练初始的朴素贝叶斯分类器；如果用户的类别已知，则其属于标记数据集L，否则属于未标记数据集U；L={(u1,c1),(u2,c2),…,(u|L|,c|L|)}为标记数据集， (u1, u2, ,…, u|L|)表示用户集合，(c1, c2, ,…, c|L|)表示该用户的类型集合，而U={u’1, u’2,…, u’|U|}为未标记数据集；2）EM‑λ算法阶段；该阶段通过EM‑λ算法不断迭代获取一个稳定的分类器，最终得到未标记数据集的类型；通过函数f: U→C来预测未标记用户属于正常用户normal(N)还是托攻击用户shilling(S)，完成推荐系统托攻击检测。