ABSTRAK
Deteksi serangan shilling adalah metode untuk mengidentifikasi dan mempertahankan diri dari pengguna jahat dalam sistem rekomendasi, dan metode ini terutama mendeteksi penyerang shilling dengan menganalisis perilaku pengguna atau anomali konten item. Item dalam sistem yang menjadi sasaran serangan shilling sering kali menampilkan informasi deret waktu penilaian yang tidak normal dan jaringan hubungan, tetapi data deret waktu memiliki karakteristik volume data yang besar dan tidak stabil, yang membuatnya sulit untuk langsung menggunakan data mentah untuk deteksi, sementara deteksi dari jaringan hubungan pengguna sering kali hanya dapat memecahkan masalah serangan tertentu, dan sulit untuk mendeteksi perilaku serangan yang terkoordinasi. Untuk mengatasi masalah di atas, kami mengusulkan metode deteksi yang disebut ITRN, yang memanfaatkan sepenuhnya informasi pengaturan waktu item dan jaringan relasional, membagi rangkaian waktu peringkat item berdasarkan poin-poin penting, membangun kubus untuk ukuran kesamaan menggunakan metode perbedaan orde kedua untuk mendapatkan interval waktu anomali dan kumpulan pengguna yang mencurigakan, membangun grafik bipartit pengguna-item yang mencurigakan, menggabungkan informasi tetangga orde lebih tinggi dari pengguna yang mencurigakan menggunakan LightGCN, dan kemudian memasukkan input tertanam orde lebih tinggi ini ke dalam lapisan linier yang dipetakan ke dalam skalar, dan akhirnya skalar ini dimasukkan ke dalam fungsi Sigmoid untuk mendapatkan probabilitas pengguna yang mencurigakan. Eksperimen dilakukan pada tiga set data dengan berbagai ukuran dari Movielens, dan hasilnya menunjukkan bahwa metode kami meningkatkan presisi sekitar 0,02 dan ukuran F1 sekitar 0,01 dibandingkan dengan model dasar yang optimal.
Metode Deteksi Serangan Shilling yang Mengintegrasikan Informasi Temporal Item dan Jaringan Relasional
