Щетинин Е.Ю.доктор физико-математических наук, доцент, профессор департамента анализа данных, принятия решений и финансовых технологий, Финансовый университет при Правительстве Российской Федерации, Москва, Российская Федерация riviera-molto@mail.ru https://orcid.org/0000-0003-3651-7629 SPIN-код: 8132-6640
Предмет. Растущая популярность систем электронной коммерции все чаще привлекает внимание их пользователей к услугам систем рекомендаций. Коллаборативная фильтрация является одним из хорошо известных методов рекомендаций, который помогает клиентам выбирать возможные продукты, представляющие для них интерес. Однако рекомендательные системы открыты для атак злоумышленников в целях искусственного продвижения или, наоборот, дискредитации определенных продуктов. Для этого ими создаются и внедряются в системы рекомендаций поддельные профили пользователей, так называемые шиллинг-атаки, вызывающие существенное изменение рейтингов продуктов в социальной сети, нанося ей материальный и моральный ущерб. Цели. Повышение надежности систем онлайн-коммерции к манипуляциям ими со стороны злоумышленников и недобросовестных пользователей. Разработка компьютерных алгоритмов предотвращения внедрения в систему поддельных рекомендаций. Методология. В процессе исследования использовались методы интеллектуального анализа данных и машинного обучения. Результаты. Рассмотрены характеристики шиллинг-атак, описаны основные модели и их параметры, а также предложены эффективные методы обнаружения поддельных профилей. Разработан компьютерный алгоритм рекомендаций на основе кластеризации как эффективный метод противодействия атакам шиллинга в социальных сетях. Исследована его устойчивость к атакам шиллинга, наиболее популярным у злоумышленников, а также проанализировано влияние различных параметров атаки. Выводы. Компьютерное моделирование вторжений и анализ их влияния на прогноз сдвига рекомендаций показали, что алгоритм устойчив к атакам шиллинга без значительного влияния внедряемых вредоносных профилей на работу рекомендательной системы.
Agarwal Deepak K., Chen Bee-Chung. Statistical Methods for Recommender Systems, Cambridge University Press, 2016, 293 p.
Chung C.Y., Hsu P.Y., Huang S.H. P: A Novel Approach to Filter out Malicious Rating Profiles from Recommender Systems. Decision Support Systems, 2013, vol. 55, iss. 1, pp. 314–325. URL: Link
Zhou W., Wen J., Koh Y.S. et al. Shilling Attacks Detection in Recommender Systems Based on Target Item Analysis. PLoS ONE, 2015, no. 10(7). URL: Link
Jannach D., Zanker M., Felfernig A., Friedrich G. Recommender Systems: An Introduction. Cambridge University Press, 2010, 352 p.
Thorat P.B., Goudar R.M., Barve S. Survey on Collaborative Filtering, Content-based Filtering and Hybrid Recommendation System. International Journal of Computer Applications, 2015, vol. 110, no. 4, pp. 31–36. URL: Link
Azadjalal M.M., Moradi P., Abdollahpouri A., Jalili M. A Trust-Aware Recommendation Method Based on Pareto Dominance and Confidence Concepts. Knowledge-Based Systems, 2017, vol. 116, pp. 130–143. URL: Link
Deng S., Huang L., Xu G. Social Network-Based Service Recommendation with Trust Enhancement. Expert Systems with Applications, 2014, vol. 41, iss. 18, pp. 8075–8084. URL: Link
Kalai A., Zayani C.A. et al. Social Collaborative Service Recommendation Approach Based on User's Trust and Domain-Specific Expertise. Future Generation of Computer System, 2018, vol. 80, pp. 355–367. URL: Link
Li J., Chen C., Chen H., Tong C. Towards Context-Aware Social Recommendation via Individual Trust. Knowledge-Based Systems, 2017, vol. 127, pp. 58–66. URL: Link
