25.3.4.1 Popular AttackLet us assum

25.3.4.1 Popular Attack

Let us assume that the recommender system uses the widely studied user-based
algorithm proposed in [27], where similarities between users are calculated using
Pearson correlation3. In a similar manner to the bandwagon attack, attack profiles
are constructed using popular (i.e. frequently rated) items from the domain under
attack.
A high degree of overlap does not, however, guarantee high similarities between
attack and authentic profiles. The bandwagon attack used random filler items to generate variation among ratings with the aim of producing at least some profiles that
correlate correctly with any given user. The Popular Attack makes use of average
rating data and rates the filler items either rmin + 1 and rmin, according to whether
the average rating for the item is higher or lower. Linking the rating value to the
average rating is likely to result in positive correlations between attack and authentic profiles and furthermore also maximises the prediction shift (see Section 25.4)
of attack profiles as computed by the algorithm under consideration (see [25] for
details).4

ผลลัพธ์ (ไทย) 1:

25.3.4.1 โจมตีนิยมเราคิดว่า ระบบผู้แนะนำใช้ studied อย่างแพร่หลายจากผู้ใช้นำเสนอใน [27], อัลกอริทึมมีคำนวณความคล้ายคลึงระหว่างผู้ใช้เพียร์ correlation3 ในลักษณะคล้ายกับการโจมตี bandwagon ได้ โจมตี profilesสร้างใช้นิยม (เช่นบ่อยคะแนน) จากโดเมนภายใต้โจมตีระดับสูงเหลื่อมกันไม่ได้ อย่างไรก็ตาม รับประกันความเหมือนสูงระหว่างโจมตีและ profiles แท้ โจมตี bandwagon ได้ใช้ filler สุ่มสินค้าเพื่อสร้างการเปลี่ยนแปลงระหว่างจัดอันดับด้วยจุดมุ่งหมายของผลิต profiles บางอย่างที่เชื่อมโยงอย่างถูกต้องกับผู้ใช้กำหนด โจมตียอดนิยมทำให้ใช้ค่าเฉลี่ยข้อมูลการจัดอันดับและราคา filler สินค้า rmin ทั้ง + 1 และ rmin ตามว่าคะแนนเฉลี่ยสำหรับสินค้ามีสูง หรือต่ำ ค่าคะแนนการเชื่อมโยงการคะแนนเฉลี่ยน่าจะส่งผลให้ความสัมพันธ์ในเชิงบวกระหว่างโจมตีและ profiles อาหาร และนอกจากนี้ ยังเพิ่มคำทำนายกะ (ดูส่วน 25.4)ของ profiles การโจมตีเป็นคำนวณ โดยอัลกอริทึมภายใต้การพิจารณา (ดู [25]รายละเอียด) .4

ผลลัพธ์ (ไทย) 2:

25.3.4.1 โจมตีนิยมให้เราสมมติว่าระบบ recommender ใช้การศึกษาอย่างกว้างขวางใช้ตามขั้นตอนวิธีการที่นำเสนอใน [27] ที่คล้ายคลึงกันระหว่างผู้ใช้จะคำนวณโดยใช้เพียร์สัน correlation3 ในลักษณะที่คล้ายคลึงกับการโจมตี bandwagon, ไฟโจมตีโปร les จะถูกสร้างขึ้นโดยใช้ที่นิยม (เช่นจัดอันดับบ่อย) รายการจากโดเมนที่อยู่ภายใต้การโจมตี. ระดับสูงของการทับซ้อนกันไม่ได้ แต่รับประกันความคล้ายคลึงกันสูงระหว่างการโจมตีและเป็นของแท้โปรไฟ les โจมตี bandwagon ใช้รายการ ller ไฟแบบสุ่มในการสร้างรูปแบบการจัดอันดับในหมู่โดยมีวัตถุประสงค์ของการผลิตอย่างน้อยบางส่วนโปรไฟ les ที่มีความสัมพันธ์อย่างถูกต้องกับผู้ใดก็ตาม การโจมตีที่เป็นที่นิยมทำให้การใช้งานของค่าเฉลี่ยคะแนนและข้อมูลอัตราสายรายการ ller ทั้ง Rmin + 1 และ Rmin ตามไปได้ว่าค่าเฉลี่ยสำหรับรายการที่จะสูงกว่าหรือต่ำกว่า การเชื่อมโยงค่าคะแนนการให้คะแนนเฉลี่ยมีแนวโน้มที่จะส่งผลให้เกิดความสัมพันธ์เชิงบวกระหว่างการโจมตีและ les แท้โปร fi และนอกจากนี้ยังเพิ่มการเปลี่ยนแปลงการคาดการณ์ (ดูมาตรา 25.4) ของการโจมตีโปรไฟ les ได้คำนวณโดยวิธีภายใต้การพิจารณา (ดู [25] สำหรับรายละเอียด) 0.4

ผลลัพธ์ (ไทย) 3:

25.3.4.1 นิยมโจมตี

ให้เราสมมติว่าแนะนำระบบการศึกษาอย่างกว้างขวางผู้ใช้ตามขั้นตอนวิธีที่เสนอใน [ 27 ]
ที่คล้ายคลึงกันระหว่างผู้ใช้จะถูกคำนวณโดยใช้ค่าสัมประสิทธิ์สหสัมพันธ์แบบเพียร์สัน correlation3
. ในลักษณะที่คล้ายคลึงกับ bandwagon จู่โจม Pro จึงเลส
ถูกสร้างโดยใช้ที่นิยม ( เช่นบ่อยอยู่ ) รายการจากโดเมนภายใต้การโจมตี
.
ระดับสูงของทับซ้อนกันไม่ได้อย่างไรก็ตาม รับประกันความเหมือนระหว่าง
โจมตีและจริง Pro จึงเลส bandwagon โจมตีใช้รายการ ller จึงสุ่มเพื่อสร้างรูปแบบของการจัดอันดับที่มีจุดมุ่งหมายในการผลิตอย่างน้อยบาง Pro จึงเลสที่
สัมพันธ์อย่างถูกต้องกับใด ๆของผู้ใช้ การโจมตีที่นิยมใช้ประเมินข้อมูลและอัตราเฉลี่ย
จึง ller รายการให้ rmin 1 และ rmin ตามไม่ว่า
การจัดอันดับเฉลี่ยสินค้าสูงหรือต่ำกว่า การเชื่อมโยงค่า )
อันดับเฉลี่ยมีแนวโน้มที่จะเป็นผลบวกระหว่างการโจมตีและจริง Pro จึง Les และนอกจากนี้ยังเพิ่มการคาดการณ์กะ ( ดูมาตราฐาน )
โจมตี Pro จึงเล ที่คำนวณโดยวิธีภายใต้การพิจารณา ( ดู [ 25 ] 4

รายละเอียด )