ترجمه مقاله تشخیص حمله شیلینگ در سیستم های توصیه گر از طریق تجزیه و تحلیل الگوهای انتخاب - نشریه J-Stage

ترجمه مقاله تشخیص حمله شیلینگ در سیستم های توصیه گر از طریق تجزیه و تحلیل الگوهای انتخاب - نشریه J-Stage
قیمت خرید این محصول
۴۱,۰۰۰ تومان
دانلود رایگان نمونه دانلود مقاله انگلیسی
عنوان فارسی
تشخیص حمله شیلینگ در سیستم های توصیه گر از طریق تجزیه و تحلیل الگوهای انتخاب
عنوان انگلیسی
Shilling Attack Detection in Recommender Systems via Selecting Patterns Analysis
صفحات مقاله فارسی
28
صفحات مقاله انگلیسی
12
سال انتشار
2016
نشریه
J-Stage
فرمت مقاله انگلیسی
PDF
فرمت ترجمه مقاله
ورد تایپ شده
رفرنس
دارد
کد محصول
8353
وضعیت ترجمه عناوین تصاویر و جداول
ترجمه نشده است
وضعیت ترجمه متون داخل تصاویر و جداول
ترجمه نشده است
وضعیت فرمولها و محاسبات در فایل ترجمه
به صورت عکس، درج شده است
رشته های مرتبط با این مقاله
مهندسی کامپیوتر و فناوری اطلاعات
گرایش های مرتبط با این مقاله
مهندسی نرم افزار، شبکه های کامپیوتری، رایانش امن و امنیت اطلاعات
مجله
تراکنش های IEICE در اطلاعات و سیستم ها - IEICE Transactions on Information and Systems
دانشگاه
آزمایشگاه محاسبه خدمات قابل اعتماد در انجمن فیزیکی سایبر (دانشگاه چونگکینگ)، گروه آموزش، چین
کلمات کلیدی
استخراج ویژگی، محبوبیت، الگوهای انتخاب، سیستم های توصیه گر، حملات شیلینگ
فهرست مطالب
خلاصه
1. معرفی
2. کار مربوطه
1.2 مدل های حمله
2.2 ویژگی های مشتق شده از الگوهای امتیاز
3.2 روش های تشخیص حمله شیلینگ
3. تجزیه و تحلیل محبوبیت پروفایل های کاربر
1.3 ویژگی توزیع محبوبیت آیتم
2.3 ویژگی محبوبیت پروفایل های کاربر
4. روش پیشنهادی
1.4 بررسی اجمالی
2.4 روش استخراج ویژگی
3.4 تشخیص مهاجمان
5. آزمایش و بحث
1.5 روش تجربی
2.5 عملکرد تشخیص روش های مختلف
3.5 تاثیر تعداد فواصل بر عملکرد تشخیص
4.5 ارزش عملی روش تشخیص پیشنهادی
5.5 بحث
1.5.5 هزینه زمان
2.5.5 تجزیه و تحلیل اثربخشی
6. نتیجه گیری و کارهای آینده
نمونه چکیده متن اصلی انگلیسی
Abstract

Collaborative filtering (CF) has been widely used in recommender systems to generate personalized recommendations. However, recommender systems using CF are vulnerable to shilling attacks, in which attackers inject fake profiles to manipulate recommendation results. Thus, shilling attacks pose a threat to the credibility of recommender systems. Previous studies mainly derive features from characteristics of item ratings in user profiles to detect attackers, but the methods suffer from low accuracy when attackers adopt new rating patterns. To overcome this drawback, we derive features from properties of item popularity in user profiles, which are determined by users' different selecting patterns. This feature extraction method is based on the prior knowledge that attackers select items to rate with man-made rules while normal users do this according to their inner preferences. Then, machine learning classification approaches are exploited to make use of these features to detect and remove attackers. Experiment results on the MovieLens dataset and Amazon review dataset show that our proposed method improves detection performance. In addition, the results justify the practical value of features derived from selecting patterns.

نمونه چکیده ترجمه متن فارسی
خلاصه
فیلتر مشترک (CF) در سیستم های توصیه گر به طور گسترده ای برای تولید توصیه های شخصی، استفاده می شود. با این حال، سیستم های توصیه گر CFبرای حملات شیلینگ آسیب پذیر هستند و حملات، پروفایل های جعلی را برای دستکاری نتایج توصیه تزریق می کنند. بنابراین، حملات شیلینگ شامل تهدیدی علیه اعتبار سیستم های توصیه گر می باشند. مطالعات قبلی به طور عمده ویژگی هایی را از مشخصات رتبه آیتم در پروفایل های کاربر برای تشخیص حملات استخراج می کند، اما در روش ها، وقتی مهاجمان الگوهای جدید امتیازی را اتخاذ می کنند از دقت کم رنج می برند. برای غلبه بر این مشکل، ویژگی هایی را از خواص محبوبیت آیتم در پروفایل های کاربر استخراج می کنیم که توسط الگوهای انتخاب مختلف کاربران تعیین می شود. این روش استخراج ویژگی، بر دانش قبلی مبتنی است که مهاجمان موارد را برای امتیازدهی با قوانین بشری انتخاب می کنند در حالی که کاربران عادی این را با توجه به تنظیمات درونی خود انجام می دهند. سپس، روش طبقه بندی یادگیری ماشین مورد بهره برداری قرار می گیرد تا از این ویژگی ها جهت شناسایی و حذف مهاجمان استفاده نماید. نتایج آزمایش بر روی مجموعه داده موویلنز و آمازون ، مجموعه داده را مرور می کند که روش پیشنهادی ما عملکرد تشخیص را بهبود می بخشد. علاوه بر این، توجیه نتایج ارزش عملی ویژگی ها از الگوهای انتخاب مشتق شده اند.

بدون دیدگاه