| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 主要研究内容 | 第13-14页 |
| 1.4 本文组织结构 | 第14-16页 |
| 第2章 推荐系统及攻击简介 | 第16-24页 |
| 2.1 推荐系统的介绍 | 第16-17页 |
| 2.2 相关推荐算法介绍 | 第17-20页 |
| 2.2.1 基于用户的协同过滤推荐 | 第17-19页 |
| 2.2.2 基于项目的协同过滤推荐 | 第19-20页 |
| 2.3 攻击的基本概念 | 第20-23页 |
| 2.3.1 攻击目的 | 第20页 |
| 2.3.2 攻击成本和获利 | 第20-21页 |
| 2.3.3 攻击模型 | 第21-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 基于标准托攻击识别的鲁棒推荐算法 | 第24-36页 |
| 3.1 引言 | 第24页 |
| 3.2 常见检测算法的分析 | 第24-26页 |
| 3.2.1 VarSelect算法 | 第24-25页 |
| 3.2.2 双聚类算法UnPAP | 第25-26页 |
| 3.3 托攻击识别算法 | 第26-32页 |
| 3.3.1 用户行为特征分析 | 第26-27页 |
| 3.3.2 基于用户行为的托攻击识别算法 | 第27-32页 |
| 3.4 基于托攻击识别与概率矩阵分解融合的鲁棒推荐算法 | 第32-35页 |
| 3.4.1 概率矩阵分解算法 | 第32-33页 |
| 3.4.2 融合托攻击识别结果的概率矩阵分解算法 | 第33-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第4章 基于高级项目托攻击识别的鲁棒推荐算法 | 第36-44页 |
| 4.1 引言 | 第36页 |
| 4.2 高级项目模型 | 第36-37页 |
| 4.3 矩阵分解模型 | 第37-38页 |
| 4.4 基于高级项目攻击识别的鲁棒推荐算法 | 第38-43页 |
| 4.4.1 高级项目攻击概貌分析 | 第38-39页 |
| 4.4.2 高级项目攻击识别方法 | 第39-42页 |
| 4.4.3 高级项目攻击识别与矩阵分解算法相融合的鲁棒推荐算法 | 第42-43页 |
| 4.5 本章小结 | 第43-44页 |
| 第5章 实验结果及分析 | 第44-57页 |
| 5.1 实验数据和对比算法介绍 | 第44-45页 |
| 5.1.1 实验数据 | 第44页 |
| 5.1.2 对比实验介绍 | 第44-45页 |
| 5.1.3 实验环境 | 第45页 |
| 5.2 实验评价标准 | 第45-46页 |
| 5.2.1 攻击识别评价指标 | 第45页 |
| 5.2.2 鲁棒性评价指标 | 第45-46页 |
| 5.3 基于托攻击识别的鲁棒推荐算法的实验对比结果分析 | 第46-53页 |
| 5.3.1 托攻击识别算法的实验对比与分析 | 第46-47页 |
| 5.3.2 Movielens数据集上SAI_RRA算法的实验对比分析 | 第47-51页 |
| 5.3.3 Netflix数据集上SAI_RRA算法的实验对比分析 | 第51-53页 |
| 5.4 基于高级项目攻击识别的鲁棒推荐算法的实验对比结果分析 | 第53-56页 |
| 5.4.1 Movielens数据集上PIAI_RRA算法的实验对比分析 | 第53-55页 |
| 5.4.2 Netflix数据集上PIAI_RRA算法的实验对比分析 | 第55-56页 |
| 5.5 本章小结 | 第56-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第63-64页 |
| 致谢 | 第64页 |
