| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 托攻击检测技术 | 第10-12页 |
| 1.2.2 鲁棒技术 | 第12-13页 |
| 1.3 研究内容和创新点 | 第13-14页 |
| 1.4 论文结构 | 第14-15页 |
| 第2章 推荐系统中的托攻击检测研究 | 第15-22页 |
| 2.1 推荐系统的安全 | 第15-16页 |
| 2.2 推荐系统中的注入攻击 | 第16-18页 |
| 2.2.1 托攻击的目的 | 第16页 |
| 2.2.2 托攻击的成本 | 第16-17页 |
| 2.2.3 托攻击的模型 | 第17-18页 |
| 2.3 虚假用户概貌的特征 | 第18-19页 |
| 2.4 托攻击的优化策略 | 第19-20页 |
| 2.5 本章小结 | 第20-22页 |
| 第3章 基于主成分分析的无先验知识的攻击检测算法 | 第22-30页 |
| 3.1 PCA VarSelect | 第22-25页 |
| 3.1.1 PCA概述 | 第23页 |
| 3.1.2 PCA VarSelect伪代码 | 第23-24页 |
| 3.1.3 大规模数据下的变量选择 | 第24-25页 |
| 3.2 PCA VarSelect的改进 | 第25-28页 |
| 3.2.1 逻辑斯蒂回归(logistic regression) | 第25-26页 |
| 3.2.2 主成分选择 | 第26-27页 |
| 3.2.3 改进的PCA VarSelect | 第27-28页 |
| 3.3 本章小结 | 第28-30页 |
| 第4章 结合信息熵和主题模型的托攻击检测技术 | 第30-43页 |
| 4.1 主题模型 | 第30-38页 |
| 4.1.1 LSA模型 | 第30-31页 |
| 4.1.2 PLSA模型 | 第31-32页 |
| 4.1.3 LDA模型以及吉布斯采样 | 第32-38页 |
| 4.2 PLSA托攻击检测算法 | 第38-40页 |
| 4.2.1 使用软聚类识别托攻击 | 第38页 |
| 4.2.2 概率隐含语义分析 | 第38-39页 |
| 4.2.3 软聚类使用PLSA | 第39-40页 |
| 4.3 结合信息熵和LDA模型的托攻击检测算法 | 第40-42页 |
| 4.3.1 信息熵 | 第40-41页 |
| 4.3.2 信息熵和LDA模型 | 第41-42页 |
| 4.4 本章小结 | 第42-43页 |
| 第5章 实验结果以及分析 | 第43-51页 |
| 5.1 实验环境配置 | 第43页 |
| 5.2 实验数据选择 | 第43页 |
| 5.3 实验方法以及评价指标 | 第43-44页 |
| 5.4 PCA++算法实验结果 | 第44-47页 |
| 5.4.1 MovieLen100k数据集上的实验效果 | 第45-46页 |
| 5.4.2 MovieLens1m数据集上的实验效果 | 第46-47页 |
| 5.5 结合信息熵和主题模型的托攻击检测算法 | 第47-49页 |
| 5.6 本章小结 | 第49-51页 |
| 结论 | 第51-52页 |
| 参考文献 | 第52-57页 |
| 攻读硕士学位期间承担的科研任务与主要研究成果 | 第57-58页 |
| 致谢 | 第58-59页 |
| 作者简介 | 第59页 |
