qq_42316533的博客

论文： Detection of Shilling Attack Based on Tdistribution on the Dynamic Time Intervals in Recommendation Systems 上一篇我们讲到通过保证用户行为特征可信来抵御推荐系统托攻击，还有一种方法是剔除fake data，比如这一篇基于动态时间间隔的T分布，它的假设条件是攻击一定是在很短的时间间隔里注入大量的fake data。 为了方便理解后边的算法，介绍一些基本的概念，I是项目集合，U是用户集合，H’

论文：A DeepWalk-Based Approach to Defend Profile Injection Attack 这篇文章重点研究了一种基于深度用户行为分析的推荐算法，以便找到与在线用户档案相似的用户群，从而产生推荐。该算法对所有用户数据信息进行建模和分析，对数据进行抽象，并比较同一user behavior之间的相似性，剔除掉受到攻击影响的user behavior，以此消除了偏向攻击概要文件的大部分影响。 比如这是用户的购买行为记录。 首先将用户购买行为当作节点，并构建节点之间的网络，在