the system will generate low predic

the system will generate low predicted ratings for that item. This attack was designed to reduce the knowledge required by selecting only a handful of known disliked items. For example, in the movie domain, these may be box office flops that
had been highly promoted prior to their openings.
In Section 25.4, we show that although this attack is not as effective as the more
knowledge-intensive average attack for nuking items in the user-based system, it is
a very effective nuke attack against item-based recommender systems.

ผลลัพธ์ (ไทย) 1:

ระบบจะสร้างอันดับต่ำคาดการณ์สำหรับสินค้า โจมตีถูกออกแบบมาเพื่อลดความรู้ที่จำเป็น โดยการเลือกหยิบสินค้า disliked รู้จักเท่านั้น ตัวอย่าง ในโดเมน ภาพยนตร์เหล่านี้อาจ flops office กล่องที่มีการสูงส่งเสริมก่อนเปิดของพวกเขาในส่วน 25.4 เราแสดงว่าแม้ว่าการโจมตีจะไม่มีประสิทธิภาพที่มากกว่าเร่งรัดความรู้โจมตีเฉลี่ยสำหรับ nuking สินค้าในระบบโดยผู้ใช้ เป็นการโจมตีนรกมีประสิทธิภาพมากกับผู้แนะนำสินค้าตามระบบ

ผลลัพธ์ (ไทย) 2:

ระบบจะสร้างการจัดอันดับที่คาดการณ์ไว้ในระดับต่ำสำหรับรายการที่ การโจมตีครั้งนี้ได้รับการออกแบบมาเพื่อลดความรู้ที่จำเป็นโดยการเลือกเพียงไม่กี่รายการที่ไม่ชอบเป็นที่รู้จัก ยกตัวอย่างเช่นในโดเมนภาพยนตร์เหล่านี้อาจจะเป็นกล่องปฏิบัติการชั้นซีอีสายที่
ได้รับการแต่งตั้งอย่างมากก่อนที่จะมีการเปิดของพวกเขา.
ในมาตรา 25.4 เราแสดงให้เห็นว่าแม้ว่าการโจมตีครั้งนี้ไม่ได้เป็นผลเป็นมากขึ้น
การโจมตีเฉลี่ยความรู้มากสำหรับ nuking รายการใน ระบบของผู้ใช้ที่ใช้ก็คือ
การโจมตีอาวุธนิวเคลียร์ที่มีประสิทธิภาพมากกับรายการที่ใช้ระบบ recommender

ผลลัพธ์ (ไทย) 3:

ระบบจะสร้างต่ำ ทำนายว่าเรตติ้งรายการ การโจมตีนี้ถูกออกแบบมาเพื่อลดความต้องการโดยเลือกหยิบเฉพาะจักไม่ชอบรายการ ตัวอย่างเช่น ในภาพยนตร์เรื่อง โดเมน เหล่านี้อาจเป็นกล่องจึง CE fl Ops ที่ได้ขอเลื่อนก่อน

เปิดของพวกเขา ในส่วนฐาน เราแสดงให้เห็นว่าแม้ว่าการโจมตีนี้ไม่ได้มีประสิทธิภาพมากยิ่ง
โจมตีเฉลี่ยความรู้อย่างเข้มข้นสำหรับอาวุธนิวเคลียร์ในรายการผู้ใช้ระบบเป็น
การโจมตี Nuke มีประสิทธิภาพมากกับรายการตาม
แนะนำระบบ