1. 毕业设计（论文）的内容和要求

推荐系统由于对用户信息的依赖性导致一些安全性问题，一些恶意攻击者人为地将虚假用户信息注入到推荐系统中，试图干涉推荐结果以谋求利益，严重影响了推荐系统的正常运行，也危害了正常用户的利益。

本课题主要完成如下任务： 1．系统分析攻击的类型及其特点，分析正常用户和攻击用户差异性，进而得到评价攻击行为的检测参数。

2．获取书评或影评数据，进行数据预处理，构造攻击数据，建立训练数据集和测试数据集。

2. 参考文献

[1]田俊峰,蔡红云.托攻击与推荐系统安全[J].河北大学学报(自然科学版),2018,38(06):640-647 655. [2]方楷强,王靖.采用矩阵分解模型的托攻击防御算法[J].华侨大学学报(自然科学版),2018,39(01):109-114. [3]庞明,周志华.无组织恶意攻击检测问题的研究[J].中国科学:信息科学,2018,48(02):177-186. [4]吕成戍.基于用户项目属性偏好的协同过滤推荐算法[J].计算机技术与发展,2018,28(04):152-156 160. [5]卫星君,顾清华.基于特征指标推荐系统托攻击半监督检测[J].计算机应用研究,2018,35(07):2185-2188. [6]于岚.基于协同过滤的个性化推荐系统研究[D].西安电子科技大学,2017. [7]周倩楠.协同过滤系统中托攻击检测算法研究[D].燕山大学,2017. [8]李巧巧.针对协同过滤托攻击的防御方法[D].华南理工大学,2017. [9]周志华.机器学习[M]. 北京:清华大学出版社,2016. [10]李航.统计学习方法[M]. 北京:清华大学出版社,2012. [11]瞿春燕.推荐系统内攻击块检测算法研究[D].中国科学技术大学,2015. [12]王坚,刘继乾,程星晶,徐润.基于奇异值分解的攻击检测[J].计算机工程与设计,2017,38(02):287-293. [13] Ihsan Gunes,Cihan Kaleli,Alper Bilge,Huseyin Polat. Shilling attacks against recommender systems:a comprehensive survey[J].Artificial Intelligence Review, 2014, Vol.42 (4), pp.767-799. [14] Zhihai Yang,Lin Xu,Zhongmin Cai,Zongben Xu. Re-scale AdaBoost for attack detection in collaborative filtering recommender systems[J]. Knowledge-Based Systems,2016,100. [15]Jonathan L.Herlocker,Joseph A. Konstan,Loren G. Terveen,John T. Riedl. Evaluating collaborative filtering recommender systems[J]. ACM Transactions on Information Systems (TOIS),2004,22(1). [16]高旻,江峰,吴中福.结合信任和项目的抗攻击协同过滤算法[J].重庆大学学报,2011,34(05):135-142. [17]李文涛,高旻,李华,熊庆宇,文俊浩,凌斌.一种基于流行度分类特征的托攻击检测算法[J].自动化学报,2015,41(09):1563-1576. [18]伍之昂,庄毅,王有权,曹杰.基于特征选择的推荐系统托攻击检测算法[J].电子学报,2012,40(08):1687-1693. [19]朱扬勇,孙婧.推荐系统研究进展[J].计算机科学与探索,2015,9(05):513-525. [20]荆常春,李亚茹,郭强,刘建国.协同过滤推荐算法稳定性研究[J].软件导刊,2017,16(02):39-42.

3. 毕业设计（论文）进程安排

起讫日期 设计（论文）各阶段工作内容 备 注 12.26-1.15 确定选题，下达任务书。

2018年 1.6-2.22 查阅文献，撰写开题报告。

2019年 2.23-3.08 学习python相关知识 3.09-3.24 学习深度学习相关知识 3.25-4.08 利用爬虫获取数据，并进行数据预处理 4.09-4.24 实现卷积神经网络和自编码器算法 4.25-5.10 利用tensorflow、pytorch建立模型，进行攻击检测 5.11-5.13 评估，完善训练模型 5.14-5.27 毕业论文（设计）的撰写工作 5.28-6.3 修改论文并定稿打印 6.4-6.9 准备毕业论文的答辩,包括答辩演示文稿等