سازوکار جدیدی برای کاهش خطای تشخیص حملات شیلینگ در سیستم های توصیه گر

در شبکه های اجتماعی و فروشگاه های اینترنتی، برای مواجهه با مشکلات برآمده از حجم فراوان اطلاعات، به طور گسترده ای از سیستم های توصیه گر استفاده می شود. پالایش مشارکتی روشی است که اغلب این سیستم ها برای تولید توصیه به کاربر استفاده می کنند. از آنجا که این روش، برای توصیه، رای کاربران را در نظر می گیرد، رای افراد مخرب می تواند آسیب های شایان توجهی به آن وارد کند. به بیان دیگر، ممکن است کاربرانی وجود داشته باشند که با ایجاد پروفایل های جعلی، آرای خود را به صورت مغرضانه، وارد سیستم کنند و باعث اختلال در تولید توصیه ای مناسب به سایر کاربران شوند. به این نوع آسیب، حملات شیلینگ گفته می شود. اگر مهاجمان در این امر موفق شوند، اعتماد کاربران به سیستم های توصیه گر کاهش خواهد یافت. در سال های اخیر، الگوریتم های تشخیص حمله خوبی ارائه شده است، اما هر یک محدودیت هایی دارند. در این مقاله با استفاده از الگوریتم های مبتنی بر پروفایل و آیتم، سازوکاری ارائه شده است که خطای تشخیص حملات شیلینگ را به صورت چشمگیری کاهش می دهد.