in interacting with recommender sys

in interacting with recommender systems, and in some cases, those purposes may
be counter to those of the system owner or those of the majority of its user population. To cite a well-known example, the Google search engine finds itself engaging
in more-or-less continual combat against those who seek to promote their sites by
“gaming” its retrieval algorithm.
In search engine spam, the goal for an attacker is to make the promoted page
“look like” a good answer to a query in all respects that Google cares about. In the
case of collaborative recommendation, the goal for an adversary is to make a par-
ticular product or item look like a good recommendation for a particular user (or
maybe all users) when really it is not. Alternatively, the attacker might seek to pre-
vent a particular product from being recommended when really it is a good choice.
If we assume that a collaborative system makes its recommendations purely on the
basis of user profiles, then it is clear what an attacker must do – add user profiles that
push the recommendation algorithm to produce the desired effect. A single profile
would rarely have this effect, and in any case, fielded systems tend to avoid making
predictions based on only a single neighbor. What an attacker really needs to do is
to create a large number of psuedonomous profiles designed to bias the system’s
predictions. Site owners try to make this relatively costly, but there is an inherent
tension between policing the input of a collaborative system and making sure that
users are not discouraged from entering the data that the algorithm needs to do its
work. The possibility of designing user rating profiles to deliberately manipulate the
recommendation output of a collaborative filtering system was first raised in [24].
Since then, research has focused on attack strategies, detection strategies to combat attacks and recommendation algorithms that have inherent robustness against
attack.

ผลลัพธ์ (ไทย) 1:

ในการโต้ตอบกับระบบผู้แนะนำ และ ในบางกรณี วัตถุประสงค์เหล่านั้นอาจมีเคาน์เตอร์ของเจ้าของระบบหรือส่วนใหญ่ของประชากรผู้ใช้เหล่านั้น การเป็นตัวอย่างที่รู้จัก Google จะค้นหา finds เครื่องยนต์เองเสน่ห์ในการต่อสู้มากขึ้น หรือน้อยลงอย่างต่อเนื่องกับใครของอเมริกาโดยการส่งเสริม"เล่นเกม" อัลกอริทึมเรียกในค้นหาโปรแกรมสแปม เป้าหมายการโจมตีจะทำหน้าที่ส่งเสริม"เหมือน" คำตอบที่ดีในแบบสอบถามทุกประการที่ใส่ใจใน Google ในกรณีของเป้าหมายให้ปฏิปักษ์ คำแนะนำร่วมที่จะทำให้หุ้นแบบticular ผลิตภัณฑ์หรือสินค้าเหมือนเป็นคำแนะนำสำหรับผู้ใช้เฉพาะ (หรือบางทีผู้ใช้ทั้งหมด) เมื่อจริง ๆ ไม่ หรือ ผู้โจมตีอาจค้นหาไปก่อนระบายผลิตภัณฑ์เฉพาะจากการแนะนำจริง ๆ เป็นทางเลือกที่ดีถ้าเราสมมติว่า ระบบการทำงานร่วมกันช่วยให้คำแนะนำของเพียงอย่างเดียวในการข้อมูลพื้นฐานของผู้ใช้ profiles แล้วมันจะโจมตีต้องทำอะไร – เพิ่ม profiles ผู้ใช้ที่ผลักดันแนะนำอัลกอริทึมเพื่อสร้างผลที่ต้องการ Profile เดียวจะไม่ค่อยมีผลนี้ และ ระบบ fielded มักจะ หลีกเลี่ยงการทำคาดคะเนตามเพื่อนบ้านเดียวเท่านั้น อะไรโจมตีจริง ๆ ต้องทำเป็นสร้าง profiles psuedonomous ออกแบบ bias ของระบบเป็นจำนวนมากคาดคะเน เจ้าของเว็บไซต์พยายามที่จะทำนี้ราคาค่อนข้างแพง แต่มีเป็นโดยธรรมชาติความตึงเครียดระหว่างการป้อนระบบการทำงานร่วมกันมากกว่าการรักษา และการตรวจสอบที่ผู้มีกำลังใจไม่ป้อนข้อมูลที่อัลกอริทึมจะต้องทำการทำงาน ของ profiles จัดอันดับผู้ใช้เพื่อจัดการกับจงใจออกแบบการออกคำแนะนำของระบบ filtering ทำงานร่วมกันเป็น first อ่าน [24]ตั้งแต่นั้น งานวิจัยได้เน้นโจมตีกลยุทธ์ กลยุทธ์การตรวจสอบในการต่อสู้กับการโจมตีและอัลกอริทึมคำแนะนำที่มีเสถียรภาพโดยธรรมชาติกับโจมตี

ผลลัพธ์ (ไทย) 2:

ในการมีปฏิสัมพันธ์กับระบบ recommender และในบางกรณีวัตถุประสงค์เหล่านั้นอาจ
จะสวนทางกับบรรดาเจ้าของระบบหรือผู้ที่ประชากรส่วนใหญ่ของผู้ใช้ เพื่อยกตัวอย่างเช่นที่รู้จักกันดี nds ไฟเครื่องมือค้นหาของ Google ตัวเองมีส่วนร่วม
ในการต่อสู้อย่างต่อเนื่องมากขึ้นหรือน้อยกับผู้ที่ต้องการที่จะส่งเสริมเว็บไซต์ของตนโดยการ
"เล่นเกม" ขั้นตอนวิธีการดึงของ.
ในสแปมเครื่องมือค้นหาเป้าหมายของการโจมตีคือ ที่จะทำให้การเลื่อนหน้า
"มีลักษณะเหมือน" คำตอบที่ดีแบบสอบถามในทุกประการว่า Google ใส่ใจเกี่ยวกับ ใน
กรณีที่มีข้อเสนอแนะการทำงานร่วมกันเป้าหมายของฝ่ายตรงข้ามที่จะทำให้บางส่วนการ
สินค้าที่เจาะจงหรือรายการมีลักษณะเป็นคำแนะนำที่ดีสำหรับผู้ใช้โดยเฉพาะอย่างยิ่ง (หรือ
อาจจะเป็นผู้ใช้ทั้งหมด) เมื่อจริงๆมันไม่ได้เป็น ผลัดกันโจมตีอาจพยายามที่จะป้องกันไม่
ระบายสินค้าโดยเฉพาะอย่างยิ่งจากการแนะนำเมื่อจริงๆมันเป็นทางเลือกที่ดี.
ถ้าเราคิดว่าระบบการทำงานร่วมกันให้คำแนะนำที่หมดจดใน
พื้นฐานของการใช้โปรไฟ les แล้วมันเป็นที่ชัดเจนว่าสิ่งที่โจมตีต้อง ทำ - เพิ่มผู้ใช้โปรไฟ les ว่า
ขั้นตอนวิธีการผลักดันข้อเสนอแนะในการผลิตผลที่ต้องการ เดียวโปรไฟเลอ
ไม่ค่อยจะมีผลกระทบนี้และในกรณีใด ๆ elded ระบบไฟมีแนวโน้มที่จะหลีกเลี่ยงการ
คาดการณ์บนพื้นฐานของเพื่อนบ้านเพียงครั้งเดียว สิ่งที่ผู้โจมตีจริงๆต้องทำคือ
การสร้างจำนวนมากของ psuedonomous โปรไฟ les ที่ออกแบบมาเพื่อความลำเอียงของระบบ
การคาดการณ์ เจ้าของเว็บไซต์พยายามที่จะทำให้ค่าใช้จ่ายที่ค่อนข้างนี้ แต่มีธรรมชาติ
รักษาความตึงเครียดระหว่างการป้อนข้อมูลของระบบการทำงานร่วมกันและให้แน่ใจว่า
ผู้ใช้จะไม่ท้อแท้จากการป้อนข้อมูลที่อัลกอริทึมต้องการที่จะทำมัน
ทำงาน ความเป็นไปได้ของการออกแบบการประเมินโดยใช้โปรไฟ les จงใจจัดการ
การส่งออกคำแนะนำของระบบ ltering สายการทำงานร่วมกันเป็นที่สายแรกเติบโตใน [24].
ตั้งแต่นั้นมามีงานวิจัยที่มุ่งเน้นไปที่กลยุทธ์การโจมตีกลยุทธ์การตรวจสอบที่จะต่อสู้กับการโจมตีและขั้นตอนวิธีคำแนะนำที่มีความทนทานโดยธรรมชาติกับ
การโจมตี .

ผลลัพธ์ (ไทย) 3:

ในการโต้ตอบกับระบบแนะนำ และในบางกรณี วัตถุประสงค์เหล่านั้นอาจ
เป็นเคาน์เตอร์ที่ระบบเจ้าของ หรือ ผู้คนส่วนใหญ่ของประชากรของผู้ใช้ การอ้างถึงตัวอย่างที่รู้จักกันดีเครื่องมือค้นหา Google จึง NDS ตัวเองมีส่วนร่วม
ในมากขึ้นหรือน้อยลงอย่างต่อเนื่องต่อสู้กับผู้ที่แสวงหาเพื่อส่งเสริมเว็บไซต์ของตนด้วย
" เกม " ของอัลกอริทึมการสืบค้น .
ใน search engine สแปมเป้าหมายโจมตีเพื่อให้เลื่อนหน้า
" เหมือน " ที่ดีตอบแบบสอบถามใน Google ทุกประการที่ห่วงใย ใน
กรณีแนะนำร่วมกัน เป้าหมายสำหรับคู่ต่อสู้เพื่อให้พาร์ -
ticular ผลิตภัณฑ์หรือสินค้าเหมือนดีแนะนำสำหรับผู้ใช้โดยเฉพาะ ( หรือ
บางทีผู้ใช้ทั้งหมด ) เมื่อจริงๆมันไม่ได้เป็น อีกวิธีหนึ่งคือ คนร้ายอาจจะแสวงหาเพื่อ pre -
ระบายผลิตภัณฑ์เฉพาะจากการแนะนำเมื่อจริงๆมันเป็นทางเลือกที่ดี .
ถ้าเราสมมติว่าระบบร่วมกันให้ข้อเสนอแนะของหมดจดบนพื้นฐานของผู้ใช้จึง
เลสแล้วมันเป็นที่ชัดเจนว่าผู้โจมตีจะต้องทำเพื่อเพิ่มผู้ใช้ Pro จึงเลสที่
ดันแนะนำขั้นตอนวิธีการสร้างผลที่ต้องการ โปรเดียวจึงเลอ
มักจะลดลงและในกรณีใด ๆจึง elded ระบบมีแนวโน้มที่จะหลีกเลี่ยงการ
คาดคะเนตามเดียว เพื่อนบ้าน สิ่งที่คนร้ายต้องการที่จะทำคือ
สร้างจำนวนมากของ psuedonomous Pro จึงเล ออกแบบมาเพื่อตั้งค่าการคาดการณ์ของ
ระบบ เจ้าของเว็บไซต์พยายามที่จะทำให้มันค่อนข้างแพง แต่ก็มีความตึงเครียดระหว่างการรักษาโดยธรรมชาติ
ข้อมูลเข้าระบบร่วมกัน และให้แน่ใจว่า
ผู้ใช้ไม่ได้ท้อจากการป้อนข้อมูลที่ขั้นตอนวิธีนี้ต้องทำงานของมัน

ความเป็นไปได้ของการออกแบบผู้ใช้คะแนน Pro จึงเลสจงใจจัดการ
แนะนำผลผลิตของระบบจึงร่วมกัน ltering จึงตัดสินใจเดินทางไปเลี้ยงใน [ 24 ] .
ตั้งแต่นั้นมาการวิจัยได้มุ่งเน้นกลยุทธ์ในการโจมตีการตรวจสอบกลยุทธ์เพื่อต่อสู้กับการโจมตีและคำแนะนำที่มีความทนทานต่อ

ในการโจมตี