协同过滤推荐系统中推荐攻击检测算法研究
这是一篇关于协同过滤推荐,攻击概貌检测,增量学习,粗糙集理论,多维风险因子,信息熵的论文, 主要内容为个性化协同过滤推荐系统作为最为成功的推荐系统之一，已经得到了许多电子商务公司的广泛应用。然而由于系统自身的开放性和用户的参与性，使它面临着安全性的严峻挑战。一些恶意用户出于商业利益的目的，向系统注入大量虚假信息，改变系统的推荐行为，从而降低了系统的推荐质量。因此，如何确保个性化协同推荐系统的安全性已成为亟待解决的问题。本文在对国内外研究现状综合分析的基础上，进一步对协同过滤推荐系统的安全问题进行了深入研究。 首先，针对有监督的检测方法在用户概貌动态变化时检测模型不能进行增量式更新的问题，通过引入粗糙集理论提出一种基于增量学习的推荐攻击检测算法。该算法利用提出的基于边界样本的训练集生成算法选择最佳的用户标记样本建立训练集，以训练生成分类器。然后将每次采样中新加入的样本用于分类器的增量学习，在减少分类器训练时间的同时挖掘新样本的攻击特征，判断特征空间的分布区域，实现对攻击概貌样本更合理的覆盖。在此基础上，分类器利用基于统计特性的攻击检测方法检测出相应的攻击概貌。 其次，针对现有的检测方法对真实概貌误判率较高的问题，提出一种基于多维风险因子的推荐攻击检测方法。该算法通过引入时间间隔可疑度、风险反馈、惩罚函数和用户评分活跃度等多个风险因子，从多个角度推理和评估用户评分行为的不确定性。然后，在多维风险因子的融合计算过程中，利用信息熵理论确立风险因子的分类权重，克服了过去常用的确定权重的主观判断方法。在此基础上，根据用户评分行为的风险评估值总和，检测出相应的攻击概貌。 最后，对本文提出的两种攻击概貌检测算法进行了实验验证与分析，并与现有算法进行了对比研究，同时为今后的研究工作进行了展望。
推荐系统中用户概貌注入攻击检测算法研究
这是一篇关于推荐系统,用户概貌注入攻击,攻击检测,SVM,粗糙集理论,聚类的论文, 主要内容为电子商务的飞速发展将我们带入了网络经济时代，但同时也带来了“信息过载”问题，推荐技术就是针对这个问题而提出的。但由于推荐系统固有的开放性和对用户信息的敏感性，使它很容易受到用户概貌注入攻击的影响，这种攻击严重降低了推荐的质量。因此，保障推荐系统的安全是刻不容缓的问题。本文在综合分析国内外研究现状的基础上，针对协同过滤推荐系统中用户攻击概貌注入攻击检测算法进行了深入的研究。 首先，针对现有用户概貌注入攻击检测算法存在准确率不高的问题，通过分析攻击用户概貌的特征及用户概貌填充度之间的差异，提出一种基于SVM和粗糙集理论的用户概貌攻击检测方法。该方法结合所提特征与已有特征分别联合填充规模后通过SVM进行二分类检测，再把各个特征的检测结果合并构成信息表，然后利用粗糙集理论生成的决策规则对信息表进行决策，得到最终的攻击概貌检测结果。 其次，针对现有攻击检测算法不能有效检测新模型推荐攻击的问题，从实际应用中新模型推荐攻击的不断出现角度进行分析，提出了一种基于聚类的用户概貌注入攻击检测算法。该算法首先提取了一些不依赖于攻击模型的特征，使用k-means算法对用户概貌进行聚类；并采用随机采样技术从评分数据库中随机选取适量真实概貌作为种子数据集，利用聚类中来自种子数据集的用户概貌的数目和比例确定攻击用户的类簇，然后由用户-项目平均评分偏离度确定受攻击的目标项目，并检测出相应的攻击概貌。 最后，将本文提出的用户概貌注入攻击检测算法和现有的检测算法进行了实验对比与分析。
电子商务中基于个性化推荐的商品质量和隐私保护相关问题研究
这是一篇关于个性化推荐,粗糙集理论,属性约简,隐私保护,商品质量的论文, 主要内容为随着电子商务在全球区域范围内的覆盖,越来越多的消费者选择通过电商平台购物,个性化推荐方法在电商平台中具有重要作用。但现有的个性化推荐方法存在一些问题:推荐准确率不高、用户兴趣隐私泄露、商品质量不合格。针对个性化推荐中存在的上述问题,本文开展了电子商务中个性化推荐方法的研究,具体创新点如下:(1)针对个性化推荐中的商品质量问题,提出了在完备商品类别决策系统下基于最大混合条件的粗糙约简算法(MTMRA)和在不完备商品类别决策系统下基于重要度优先搜索的粗糙约简算法(IPSRA)。粗糙决策分析方法是利用粗糙集理论对商品数据库进行分类,粗糙集理论无需数据源的先验知识,只依赖数据本身,可以处理不完备信息并从中发现隐含的知识,在不影响分类精度的情况下解决问题,保证商品质量。在仿真实验中,采用支持向量机的基分类器对算法准确率进行评估,验证了所提算法具有较高的分类准确率。(2)针对个性化推荐中的隐私保护问题,提出了基于BT的隐私词过滤算法(TDFA)。首先,根据字典树构建算法(BT)构建隐私字典树;然后,将兴趣词在字典树中进行隐私词检索与过滤;最后根据用户反馈信息更新隐私字典树。TDFA算法能对用户兴趣数据库中隐私信息进行过滤,降低隐私泄露的风险,实现用户隐私保护。通过仿真实验验证了 TDFA算法在保护用户兴趣隐私的同时,还可以有效地缩短运行时间。(3)针对个性化推荐的实时性问题,结合IPSRA和TTDFA算法,提出了基于商品质保和隐私保护的最近时间内容推荐算法(imp-kTCRA)。首先,根据用户动作和用户浏览时间构造产品偏好程度和时间权重函数,根据函数获得用户可能感兴趣的top-N个兴趣模型;然后,根据产品好评率和产品月销量构造产品重要度函数;最后,根据用户与产品相似度函数以及产品重要度函数构造产品推荐度函数。imp-kTCRA算法对用户兴趣进行动态更新,保证推荐商品的实时动态变化。通过仿真实验验证了imp-kTCRA算法具有较高的实时性和推荐准确率。
推荐系统中用户概貌注入攻击检测算法研究
这是一篇关于推荐系统,用户概貌注入攻击,攻击检测,SVM,粗糙集理论,聚类的论文, 主要内容为电子商务的飞速发展将我们带入了网络经济时代，但同时也带来了“信息过载”问题，推荐技术就是针对这个问题而提出的。但由于推荐系统固有的开放性和对用户信息的敏感性，使它很容易受到用户概貌注入攻击的影响，这种攻击严重降低了推荐的质量。因此，保障推荐系统的安全是刻不容缓的问题。本文在综合分析国内外研究现状的基础上，针对协同过滤推荐系统中用户攻击概貌注入攻击检测算法进行了深入的研究。 首先，针对现有用户概貌注入攻击检测算法存在准确率不高的问题，通过分析攻击用户概貌的特征及用户概貌填充度之间的差异，提出一种基于SVM和粗糙集理论的用户概貌攻击检测方法。该方法结合所提特征与已有特征分别联合填充规模后通过SVM进行二分类检测，再把各个特征的检测结果合并构成信息表，然后利用粗糙集理论生成的决策规则对信息表进行决策，得到最终的攻击概貌检测结果。 其次，针对现有攻击检测算法不能有效检测新模型推荐攻击的问题，从实际应用中新模型推荐攻击的不断出现角度进行分析，提出了一种基于聚类的用户概貌注入攻击检测算法。该算法首先提取了一些不依赖于攻击模型的特征，使用k-means算法对用户概貌进行聚类；并采用随机采样技术从评分数据库中随机选取适量真实概貌作为种子数据集，利用聚类中来自种子数据集的用户概貌的数目和比例确定攻击用户的类簇，然后由用户-项目平均评分偏离度确定受攻击的目标项目，并检测出相应的攻击概貌。 最后，将本文提出的用户概貌注入攻击检测算法和现有的检测算法进行了实验对比与分析。
基于Android的远端安全员监控系统研究
这是一篇关于Android,改进的BlazeFace卷积网络,粗糙集理论,远程监控,WebSocket的论文, 主要内容为随着人工智能与计算机视觉技术的迅速发展,无人驾驶已成为汽车行业未来发展的主流方向。然而,目前国内外正在试运行的无人驾驶车辆仍然需要配备车载安全员对车辆进行安全监督和预警,极大程度增加了无人驾驶汽车商业运营的成本。其次,相关政策虽已经允许将车载安全员转移至远程视频监控,但远程安全员对车辆监控的有效性却无法得到保证。基于此,本研究以某车企的“一键无人共享召泊车”项目为基础,对不良监控行为进行分析研究,并结合一键共享召泊车的实际运营管理需求,在Android平台上初步构建了远程无人驾驶监控系统。该系统除接收车况相关信息外,还融合了对远程安全员监控有效性的相关判定。旨在保证车辆在低速无人驾驶的调度过程中,安全员与车辆状态时刻处于双向被监控状态,进而保障车辆与行人的安全。本文主要内容以及创新如下:(1)提出改进的Blaze Face人脸检测算法。首先对现阶段人脸检测算法进行总结,并根据现阶段主流的几种目标检测算法的设计结构以及实际应用场景需求,以轻量级卷积神经网络Blaze Face骨干网络为基础,选择适合移动端GPU部署锚框的同时,引入注意力机制CBAM模块,以提高小目标人脸检测的准确性。改进后的算法在Widerface数据集的Easy、Medium和Hard类别下分别达到了90.5%、88.3%和77.6%的准确率。为后续的被检对象不良行为特征提取提供面部基础。(2)通过分析与实验对比现阶段的三种面部特征提取方法,发现基于深度学习的面部特征识别算法,只能对面部情况进行定性分析,模型泛化能力较弱;基于“三庭五眼”的像素特征点分布规律算法,在光线昏暗以及带眼镜的环境干扰下,易产生明显的误判行为;基于SDM的人脸特征点检测算法可有效克服外界环境干扰,实现准确且快速的人脸特征点定位,并可根据所获得的面部坐标信息利用POSIT算法完成头部空间姿态角的计算,实验结果显示,该算法能够较为精确地提取安全员的面部姿态信息以及头部姿态信息。(3)针对不良监控行为具有多特征且特征权重不唯一的特点,提出了将眨眼率、打哈欠率、低头率以及头部异常率四个常见的不良监控指标进行多特征融合。即在分别获取不良监控指标的前提下,通过粗糙集理论对多项指标判断结果进行融合处理,从而得到最终的评价结果。实验结果表明,融合后的不良监控评价标准在公开视频数据集Yaw DD中随机截取的1000张图片验证检准确率达到93.5%以上,具有较高的准确性。(4)针对现有监控后台大多部署在PC端以及人们对于手机办公的依赖性问题,本文提出了在Android端部署远程监控系统的方案。该方案可有效减少工作人员固定工位的限制,进一步降低安全员的工作强度。同时,根据实际传输需求,自定义传输数据包的结构以解决车载Tbox经网关向服务器传输数据时出现的粘包、拆包问题。此外,为了提高客户端与服务器交互的实时性,本文采用了Web Socket实时通讯技术,实现了服务端与客户端的长连接,从而有效地减少了客户端与服务端交互的延迟问题。论文基于监控有效性对Android的远端无人驾驶监控系统进行研究,可实现安全员监控有效性的判断以及车况信息的移动端获取,为远程监控系统的优化提供了新的思路和方法,对促进无人共享汽车商业化的落地具有积极重要的意义。
推荐系统中用户概貌注入攻击检测算法研究
这是一篇关于推荐系统,用户概貌注入攻击,攻击检测,SVM,粗糙集理论,聚类的论文, 主要内容为电子商务的飞速发展将我们带入了网络经济时代，但同时也带来了“信息过载”问题，推荐技术就是针对这个问题而提出的。但由于推荐系统固有的开放性和对用户信息的敏感性，使它很容易受到用户概貌注入攻击的影响，这种攻击严重降低了推荐的质量。因此，保障推荐系统的安全是刻不容缓的问题。本文在综合分析国内外研究现状的基础上，针对协同过滤推荐系统中用户攻击概貌注入攻击检测算法进行了深入的研究。 首先，针对现有用户概貌注入攻击检测算法存在准确率不高的问题，通过分析攻击用户概貌的特征及用户概貌填充度之间的差异，提出一种基于SVM和粗糙集理论的用户概貌攻击检测方法。该方法结合所提特征与已有特征分别联合填充规模后通过SVM进行二分类检测，再把各个特征的检测结果合并构成信息表，然后利用粗糙集理论生成的决策规则对信息表进行决策，得到最终的攻击概貌检测结果。 其次，针对现有攻击检测算法不能有效检测新模型推荐攻击的问题，从实际应用中新模型推荐攻击的不断出现角度进行分析，提出了一种基于聚类的用户概貌注入攻击检测算法。该算法首先提取了一些不依赖于攻击模型的特征，使用k-means算法对用户概貌进行聚类；并采用随机采样技术从评分数据库中随机选取适量真实概貌作为种子数据集，利用聚类中来自种子数据集的用户概貌的数目和比例确定攻击用户的类簇，然后由用户-项目平均评分偏离度确定受攻击的目标项目，并检测出相应的攻击概貌。 最后，将本文提出的用户概貌注入攻击检测算法和现有的检测算法进行了实验对比与分析。
协同过滤推荐系统中推荐攻击检测算法研究
这是一篇关于协同过滤推荐,攻击概貌检测,增量学习,粗糙集理论,多维风险因子,信息熵的论文, 主要内容为个性化协同过滤推荐系统作为最为成功的推荐系统之一，已经得到了许多电子商务公司的广泛应用。然而由于系统自身的开放性和用户的参与性，使它面临着安全性的严峻挑战。一些恶意用户出于商业利益的目的，向系统注入大量虚假信息，改变系统的推荐行为，从而降低了系统的推荐质量。因此，如何确保个性化协同推荐系统的安全性已成为亟待解决的问题。本文在对国内外研究现状综合分析的基础上，进一步对协同过滤推荐系统的安全问题进行了深入研究。 首先，针对有监督的检测方法在用户概貌动态变化时检测模型不能进行增量式更新的问题，通过引入粗糙集理论提出一种基于增量学习的推荐攻击检测算法。该算法利用提出的基于边界样本的训练集生成算法选择最佳的用户标记样本建立训练集，以训练生成分类器。然后将每次采样中新加入的样本用于分类器的增量学习，在减少分类器训练时间的同时挖掘新样本的攻击特征，判断特征空间的分布区域，实现对攻击概貌样本更合理的覆盖。在此基础上，分类器利用基于统计特性的攻击检测方法检测出相应的攻击概貌。 其次，针对现有的检测方法对真实概貌误判率较高的问题，提出一种基于多维风险因子的推荐攻击检测方法。该算法通过引入时间间隔可疑度、风险反馈、惩罚函数和用户评分活跃度等多个风险因子，从多个角度推理和评估用户评分行为的不确定性。然后，在多维风险因子的融合计算过程中，利用信息熵理论确立风险因子的分类权重，克服了过去常用的确定权重的主观判断方法。在此基础上，根据用户评分行为的风险评估值总和，检测出相应的攻击概貌。 最后，对本文提出的两种攻击概貌检测算法进行了实验验证与分析，并与现有算法进行了对比研究，同时为今后的研究工作进行了展望。
电子商务中基于个性化推荐的商品质量和隐私保护相关问题研究
这是一篇关于个性化推荐,粗糙集理论,属性约简,隐私保护,商品质量的论文, 主要内容为随着电子商务在全球区域范围内的覆盖,越来越多的消费者选择通过电商平台购物,个性化推荐方法在电商平台中具有重要作用。但现有的个性化推荐方法存在一些问题:推荐准确率不高、用户兴趣隐私泄露、商品质量不合格。针对个性化推荐中存在的上述问题,本文开展了电子商务中个性化推荐方法的研究,具体创新点如下:(1)针对个性化推荐中的商品质量问题,提出了在完备商品类别决策系统下基于最大混合条件的粗糙约简算法(MTMRA)和在不完备商品类别决策系统下基于重要度优先搜索的粗糙约简算法(IPSRA)。粗糙决策分析方法是利用粗糙集理论对商品数据库进行分类,粗糙集理论无需数据源的先验知识,只依赖数据本身,可以处理不完备信息并从中发现隐含的知识,在不影响分类精度的情况下解决问题,保证商品质量。在仿真实验中,采用支持向量机的基分类器对算法准确率进行评估,验证了所提算法具有较高的分类准确率。(2)针对个性化推荐中的隐私保护问题,提出了基于BT的隐私词过滤算法(TDFA)。首先,根据字典树构建算法(BT)构建隐私字典树;然后,将兴趣词在字典树中进行隐私词检索与过滤;最后根据用户反馈信息更新隐私字典树。TDFA算法能对用户兴趣数据库中隐私信息进行过滤,降低隐私泄露的风险,实现用户隐私保护。通过仿真实验验证了 TDFA算法在保护用户兴趣隐私的同时,还可以有效地缩短运行时间。(3)针对个性化推荐的实时性问题,结合IPSRA和TTDFA算法,提出了基于商品质保和隐私保护的最近时间内容推荐算法(imp-kTCRA)。首先,根据用户动作和用户浏览时间构造产品偏好程度和时间权重函数,根据函数获得用户可能感兴趣的top-N个兴趣模型;然后,根据产品好评率和产品月销量构造产品重要度函数;最后,根据用户与产品相似度函数以及产品重要度函数构造产品推荐度函数。imp-kTCRA算法对用户兴趣进行动态更新,保证推荐商品的实时动态变化。通过仿真实验验证了imp-kTCRA算法具有较高的实时性和推荐准确率。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码向导 ，原文地址：https://bishedaima.com/lunwen/54209.html
