Resumen

Ante los ataques en evolución en los sistemas de recomendación colaborativa, los métodos convencionales de detección de manipulación se basan principalmente en un tipo de información generada por el usuario (es decir, una sola vista) como los valores de calificación, el tiempo de calificación y la popularidad del ítem. Sin embargo, estos métodos a menudo sufren de baja precisión al detectar diferentes ataques debido a que ignoran otra información potencialmente relevante. Para abordar esta limitación, en este artículo proponemos un método de ensamble multivista para detectar ataques de manipulación en sistemas de recomendación colaborativa. En primer lugar, extraemos 17 características del usuario considerando los efectos temporales de la popularidad del ítem y los valores de calificación en diferentes conjuntos de ítems populares. En segundo lugar, diseñamos un marco de detección de ensamble multivista integrando clasificadores base de diferentes vistas de clasificación. En particular, utilizamos un algoritmo de partición de conjunto de características para dividir las características en varios subconjuntos y construir múltiples vistas de clasificación ó

• Materias:Cifrado de búsqueda Ataque criptográfico Seguridad en Internet
• Subjects:Search encryption Cryptographic attack Internet Security
• Palabras claves:Ataques evolutivos; Sistemas colaborativos de recomendación; Métodos de detección de shilling; Información generada por el usuario; Método de ensemble multivista; Ataques sintéticos
• Keywords:Evolving attacks; Collaborative recommender systems; Shilling detection methods; User-generated information; Multiview ensemble method; Synthetic attacks