基于深度学习的推荐系统攻击检测文献综述
2020-04-18 20:47:41
一.选题依据 1.课题背景 互联网的出现和普及给用户带来了大量的信息,满足了用户在信息时代对信息的需求,但随着网络的迅速发展而带来的网上信息量的大幅增长,使得用户在面对大量信息时无法从中获得对自己真正有用的那部分信息,对信息的使用效率反而降低了,这就是所谓的信息超载问题。
解决信息超载问题一个非常有潜力的办法是推荐系统,它是根据用户的信息需求、兴趣等,将用户感兴趣的信息、产品等推荐给用户的个性化信息推荐系统。
和搜索引擎相比推荐系统通过研究用户的兴趣偏好,进行个性化计算,由系统发现用户的兴趣点,从而引导用户发现自己的信息需求。
一个好的推荐系统不仅能为用户提供个性化的服务,还能和用户之间建立密切关系,让用户对推荐产生依赖。
推荐系统现已广泛应用于很多领域,其中最典型并具有良好的发展和应用前景的领域就是电子商务领域。
同时学术界对推荐系统的研究热度一直很高,逐步形成了一门独立的学科。
然而由于系统本身对用户的开放性及灵敏性,使其很容易遭到外界的攻击。
部分恶意商家在商业利益的驱动下,刻意地向系统中植入一些伪造的用户概貌来影响推荐系统的准确性。
如何对外界攻击进行防御和检测,确保电子商务推荐系统的安全成为近年来信息推荐领域的一个新的研究热点。
2. 课题的目的和意义 推荐系统具有广阔的应用前景,因此自从攻击问题出现以来,推荐系统的安全性一直备受关注,十几年来,工业界和学术界的众多研究人员对此展开了深入的研究,并取得了丰硕的成果,然而外部攻击对推荐系统产生的影响仍不容忽视,该领域仍有许多问题值得进一步探索。