第1章 绪论 1
1.1 研究背景及意义 1
1.2 研究现状 2
1.2.1 社会化推荐系统研究现状 2
1.2.2 评分驱动的推荐系统中托攻击检测研究现状 4
1.2.3 关系驱动的社交网络中托攻击检测研究现状 4
1.3 研究内容和目的 5
1.3.1 研究内容 5
1.3.2 创新点 6
1.4 本书的组织结构 7
第2章 社会化推荐系统与托攻击检测相关技术 9
2.1 评分驱动的推荐算法 9
2.2 社会化推荐算法 12
2.3 评分驱动的推荐系统中的托攻击研究 16
2.3.1 评分驱动的推荐系统中的托攻击模型 16
2.3.2 评分驱动的推荐系统中的托攻击检测 19
2.4 关系驱动的社交网络中托攻击研究 20
2.4.1 关系驱动的社交网络中的托攻击形式 20
2.4.2 关系驱动的社交网络中的托攻击检测 21
2.5 半监督学习方法 22
2.6 本章小结 23
第3章 面向社会化推荐系统的托攻击模型 24
3.1 引言 24
3.2 预备知识 25
3.2.1 引例 25
3.2.2 基本定义 26
3.3 社会化推荐系统中的托攻击建模 28
3.3.1 托攻击建模 28
3.3.2 攻击策略研究 31
3.4 实验与结果分析 35
3.4.1 实验设置 35
3.4.2 实验结果分析 37
3.5 本章小结 45
第4章 基于流行度分类特征的推荐系统托攻击检测方法 46
4.1 引言 46
4.2 预备知识 47
4.2.1 基本概念 47
4.2.2 基于评分的推荐系统托攻击分类特征 48
4.3 方法依据 49
4.3.1 项目流行度分布分析 50
4.3.2 用户流行度分布分析 51
4.4 基于流行度的托攻击检测算法 57
4.4.1 算法框架 57
4.4.2 特征提取方法 58
4.4.3 托攻击检测算法Pop-SAD 60
4.5 实验与结果分析 60
4.5.1 实验设置 60
4.5.2 实验结果分析 62
4.6 Amazon.cn虚假用户检测分析 66
4.6.1 流行度分布分析 67
4.6.2 检测效果分析 68
4.7 本章小结 69
第5章 基于拉普拉斯得分的社交网络托攻击检测方法 70
5.1 引言 70
5.2 基于拉普拉斯得分的托攻击检测算法 71
5.2.1 算法框架 71
5.2.2 基于拉普拉斯得分的特征选择 72
5.2.3 基于半监督随机森林的分类算法 74
5.2.4 LSCO-Forest算法 75
5.3 实验与结果分析 76
5.3.1 实验设置 76
5.3.2 实验结果分析 78
5.4 本章小结 81
第6章 基于协同训练的社会化推荐系统托攻击检测方法 82
6.1 引言 82
6.2 预备知识 83
6.2.1 社会化推荐系统托攻击模型 83
6.2.2 用于检测社会化推荐系统托攻击的特征提取方法 84
6.3 基于协同训练的托攻击检测算法 84
6.3.1 算法框架 84
6.3.2 特征提取 85
6.3.3 模型训练 86
6.3.4 CO-SAD模型与结果预测 88
6.4 实验与结果分析 89
6.4.1 实验设置 89
6.4.2 实验结果分析 91
6.5 本章小结 99
第7章 总结与展望 100
7.1 总结 100
7.2 展望 101
参考文献 103