Attack profiles are ineffective if t

Attack profiles are ineffective if they do not appear in the neighborhoods of authentic users. By avoiding similarity as a criterion for neighbour selection, the recommendation algorithm can be made robust to attacks where the attack profiles are
designed to have high similarity with authentic users. In [23] it is argued that the
goal of neighbour selection is to select the most useful neighbours on which to base
the prediction. While similarity is one measure of usefulness, the notion of neighbour utility can be extended to include other performance measures. A selection
criterion is proposed based on a notion of inverse popularity. It is shown that, with
this selection strategy, the same overall system performance in terms of MAE is
maintained. Moreover, cost-effective attacks that depend on popular items to build
highly influential profiles are rendered much less effective.
In [31], a robust algorithm is presented based on association rule mining. Considering each user profile as a transaction, it is possible to use the Apriori algorithm
to generate association rules for groups of commonly liked items. The support of
an item set X ⊂ I is the fraction of user profiles that contain this item set. An association rule is an expression of the form X ⇒ Y (σr, αr), where σr is the support of
X ∪ Y and αr is the confidence for the rule, defined as σ (X ∪ Y )/σ (X). The algorithm finds a recommendation for a user u by searching for the highest confidence
association rules, such that X ⊆ Pu is a subset of the user profile and Y contains
some item i that is unrated by u. If there is not enough support for a particular item,
that item will never appear in any frequent item set and will never be recommended.
This algorithm proves robust to the average attack. For attack sizes below 15%, only
0.1% of users are recommended an attacked item by the association rule algorithm,
compared to 80 − 100% of users for the kNN algorithm. The trade-off is that coverage of the association rule algorithm is reduced in comparison to kNN. However,
the algorithm is not robust against the segment attack.

ผลลัพธ์ (ไทย) 1:

Profiles โจมตีจะไม่ปรากฏในละแวกใกล้เคียงของผู้ใช้ที่แท้จริงไม่ได้ โดยหลีกเลี่ยงความคล้ายคลึงกันเป็นเงื่อนไขสำหรับการเลือก neighbour อัลกอริทึมคำแนะนำสามารถทำประสิทธิภาพการโจมตี profiles โจมตีอยู่ออกแบบให้มีความคล้ายคลึงกันสูงกับผู้ใช้ที่แท้จริง ใน [23] มันจะโต้เถียงที่การเป้าหมายของ neighbour เลือกคือการ เลือกเพื่อนบ้านประโยชน์มากที่สุดที่จะใช้เป็นพื้นฐานคาดเดา คล้ายเป็น วัดหนึ่งของประโยชน์ สามารถขยายแนวคิดของอรรถประโยชน์ neighbour แก่วัดอื่น ๆ การเลือกเงื่อนไขมีเสนอแนวคิดของความนิยมที่ผกผันตาม มันจะมีที่เป็นที่เดียวกันโดยรวมประสิทธิภาพของระบบในแม่นี้เลือกกลยุทธ์รักษา นอกจากนี้ คุ้มค่าการโจมตีที่ขึ้นอยู่กับสินค้ายอดนิยมที่สร้างสูง influential profiles จะแสดงผลมากน้อยใน [31], อัลกอริทึมมีประสิทธิภาพการนำเสนอตามสมาคมเหมืองแร่กฎ พิจารณาแต่ละ profile ผู้เป็นธุรกรรม จำเป็นต้องใช้อัลกอริทึม Aprioriการสร้างกฎความสัมพันธ์ในกลุ่มโดยทั่วไปชอบสินค้า การสนับสนุนของสินค้าตั้ง X ⊂ฉันเป็นเศษส่วนของ profiles ผู้ใช้ที่ประกอบด้วยชุดสินค้า กฎความสัมพันธ์การเป็นนิพจน์ของแบบฟอร์ม X ⇒ Y (σr, αr), การสนับสนุนของ σrX ∪ Y αr เป็น confidence สำหรับกฎ defined เป็นσ (X ∪ Y) / σ (X) finds อัลกอริทึมคำแนะนำสำหรับ u ผู้ใช้โดยการค้นหา confidence สูงสุดสมาคม เช่นที่ปู X ⊆เป็นเซตย่อยของผู้ใช้ profile และ Y ประกอบด้วยบางสินค้าฉันที่เป็นอันดับ โดย u ถ้าไม่สนับสนุนเพียงพอสำหรับสินค้าเฉพาะสินค้านั้นจะไม่ปรากฏในชุดใด ๆ สินค้าบ่อย และจะไม่แนะนำอัลกอริทึมนี้พิสูจน์ประสิทธิภาพการโจมตีเฉลี่ย สำหรับโจมตีขนาดต่ำกว่า 15% เท่านั้น0.1% ของผู้ใช้แนะนำสินค้าโจมตีอยู่เสมอก็จะเชื่อมโยงกฎอัลกอริทึมเมื่อเทียบกับ 100 − 80% ของผู้ใช้สำหรับอัลกอริทึม kNN Trade-off จะว่า ความครอบคลุมของอัลกอริทึมกฎความสัมพันธ์จะลดลง โดย kNN อย่างไรก็ตามอัลกอริทึมไม่แข็งแรงจากการถูกโจมตีของเซ็กเมนต์

ผลลัพธ์ (ไทย) 2:

โจมตีโปรไฟ les จะไม่ได้ผลถ้าพวกเขาไม่ได้ปรากฏอยู่ในละแวกใกล้เคียงที่แท้จริงของผู้ใช้ โดยหลีกเลี่ยงความคล้ายคลึงกันเป็นเกณฑ์สำหรับการเลือกเพื่อนบ้านอัลกอริทึมคำแนะนำที่สามารถทำที่มีประสิทธิภาพต่อการโจมตีที่โจมตีโปรไฟ les มีการ
ออกแบบให้มีความคล้ายคลึงกันสูงที่มีผู้ใช้งานที่แท้จริง ใน [23] มันเป็นที่ถกเถียงกันอยู่ว่า
เป้าหมายของการเลือกเพื่อนบ้านคือการเลือกเพื่อนบ้านมีประโยชน์มากที่สุดซึ่งการ
คาดการณ์ ในขณะที่ความคล้ายคลึงกันเป็นหนึ่งในตัวชี้วัดของประโยชน์ความคิดของยูทิลิตี้เพื่อนบ้านสามารถขยายผลการดำเนินงานรวมถึงมาตรการอื่น ๆ เลือก
เกณฑ์ที่จะเสนอขึ้นอยู่กับความคิดของความนิยมที่ตรงกันข้าม มันแสดงให้เห็นว่ามี
กลยุทธ์การเลือกนี้ประสิทธิภาพของระบบโดยรวมเหมือนกันในแง่ของแม่คือ
การบำรุงรักษา นอกจากนี้การโจมตีที่มีประสิทธิภาพที่ขึ้นอยู่กับรายการที่นิยมในการสร้าง
สูงในชั้น uential โปรไฟ les จะแสดงผลที่มีประสิทธิภาพมากน้อย.
ใน [31], อัลกอริทึมที่มีประสิทธิภาพที่จะนำเสนอบนพื้นฐานของการทำเหมืองแร่การปกครองของสมาคม พิจารณาผู้ใช้แต่ละโปรไฟ le เป็นรายการก็เป็นไปได้ที่จะใช้ขั้นตอนวิธี Apriori
การสร้างกฎสมาคมสำหรับกลุ่มของรายการที่ชอบกันทั่วไป การสนับสนุนของ
รายการตั้ง X ⊂ผมเป็นส่วนหนึ่งของผู้ใช้โปรไฟ les ที่มีการตั้งค่ารายการนี้ กฎของสมาคมคือการแสดงออกของรูปแบบ X ⇒ Y (σr, αr) ซึ่งσrคือการสนับสนุนของ
X ∪ Y และαrคือมั่นใจปรับอากาศสายสำหรับกฎนิยามเป็นσ (x ∪ Y) / σ (X) nds ไฟขั้นตอนวิธีการคำแนะนำสำหรับผู้ใช้ยูโดยการค้นหานักโทษไฟสูงสุดมั่นใจ
กฎสมาคมเช่นว่า X ⊆ปูเป็นส่วนหนึ่งของผู้ใช้โปรไฟเลอ Y และมี
บางรายการฉันที่ไม่มีการจัดอันดับโดย u ถ้าไม่มีการสนับสนุนเพียงพอสำหรับรายการโดยเฉพาะ
รายการที่จะไม่ปรากฏในรายการชุดบ่อย ๆ และจะไม่ได้รับการแนะนำ.
นี้พิสูจน์ให้เห็นขั้นตอนวิธีที่มีประสิทธิภาพเพื่อการโจมตีเฉลี่ย สำหรับขนาดการโจมตีต่ำกว่า 15% เพียง
0.1% ของผู้ใช้มีการแนะนำสินค้าโจมตีโดยขั้นตอนวิธีการปกครองของสมาคม
เมื่อเทียบกับ 80-100% ของผู้ใช้สำหรับขั้นตอนวิธี kNN การออกเป็นรายงานข่าวของอัลกอริทึมกฎของสมาคมที่จะลดลงเมื่อเทียบกับ kNN แต่
ขั้นตอนวิธีการที่ไม่ได้เป็นที่แข็งแกร่งจากการโจมตีส่วน

ผลลัพธ์ (ไทย) 3:

โจมตี Pro จึงเลสจะไม่ได้ผลถ้าพวกเขาไม่ได้ปรากฏอยู่ในย่านของผู้ใช้จริง โดยหลีกเลี่ยงความเหมือนเป็นเกณฑ์ สำหรับการเลือก เพื่อนบ้านเสนออัลกอริทึมที่สามารถทำให้ทนทานการโจมตีที่โจมตี Pro จึงเลสเป็น
ออกแบบให้มีความเหมือนสูงกับผู้ใช้จริง ใน [ 23 ] มันเป็นที่ถกเถียงกันอยู่ว่า
เป้าหมายของตนคือการเลือกเป็นประโยชน์มากที่สุดเพื่อนบ้านที่ฐาน
คำทำนาย ในขณะที่ คล้ายคลึงกัน เป็นมาตรการหนึ่งในประโยชน์ของความเชื่อในเรื่องของสาธารณูปโภค เพื่อนบ้านสามารถขยายเพื่อรวมมาตรการการปฏิบัติอื่น ๆ การเลือกเกณฑ์เสนอ
ตามความคิดของความนิยมที่ผกผัน มันแสดงให้เห็นว่า มี
กลยุทธ์การเลือกเดียวกันประสิทธิภาพของระบบโดยรวมในแง่ของแม่คือ
รักษา นอกจากนี้ นายโจมตีที่ขึ้นอยู่กับรายการที่ได้รับความนิยมสูงในการสร้าง
fl uential Pro จึงเล จะให้มากน้อยที่มีประสิทธิภาพ .
[ 31 ] วิธีที่แข็งแกร่งที่นำเสนอตามกฎสมาคมเหมืองแร่ พิจารณาแต่ละผู้ใช้จึงเลอเป็นธุรกรรม มันเป็นไปได้ที่จะใช้ขั้นตอนวิธี
aPrioriเพื่อสร้างกฎสมาคมกลุ่มมักชอบรายการ การสนับสนุนของ
รายการชุด x ⊂ผมคือสัดส่วนของผู้ใช้จึงเล ที่ประกอบด้วยรายการนี้ตั้ง สมาคมการปกครองคือการแสดงออกของรูปแบบ x ⇒ Y ( σ R , α R ) ที่σ R คือการสนับสนุนของ∪
x y และα r คือ dence จึงหลอกให้กฎ เดอ จึงเป็นσเน็ด ( X ∪ Y ) / σ ( X )ขั้นตอนวิธีจึงอยากแนะนำสำหรับผู้ใช้ คุณ โดยการค้นหาสูงสุด con สมาคม dence
จึงกฎ เช่น x ⊆ PU เป็นเซตย่อยของผู้ใช้ Pro จึงเลอและ Y มี
สินค้าบางอย่างผมที่ 7.0 โดยสหรัฐอเมริกา ถ้าไม่มีการสนับสนุนเพียงพอสำหรับรายการเฉพาะ
สินค้านั้นจะไม่มีวันปรากฏในรายการบ่อย ๆชุด และจะไม่แนะนำ .
ขั้นตอนวิธีนี้พิสูจน์คึกคักการโจมตีเฉลี่ยการโจมตีขนาดเล็กกว่า 15 % เท่านั้น
0.1% ของผู้ใช้จะแนะนำการโจมตีสินค้าโดยสมาคมกฎขั้นตอนวิธี
เมื่อเทียบกับ 80 − 100% ของผู้ใช้สำหรับ knn ขั้นตอนวิธี แลกที่ครอบคลุมของสมาคมกฎอัลกอริทึมจะลดลงเมื่อเปรียบเทียบกับ knn . อย่างไรก็ตาม วิธีที่ไม่คงทนต่อ

ส่วนโจมตี