Efficient Detection of Shillings Attacks in Collaborative Filtering Recommendation Systems using Hybrid Deep Learning: A CNN-based Model and Architecture
Notice bibliographique
Résumé
Recommendation systems are widely used in various areas to personalize recommendations to users. However, they are vulnerable to shilling attacks in which malicious users try to promote their products or diminish their competitors. Therefore, detecting shilling attacks can significantly improve the quality of recommender systems. With the increasing complexity of attacks and changes in attackers' behaviour, more advanced approaches are required to find the hidden patterns in data. This thesis proposes a CNN-based hybrid model and architecture that integrates self-learning and flexible aspects of CNN with other supervised learning methods to enhance shillings attacks detection on collaborative filtering recommendation systems. We also introduce a new metric, the F-compatible score, to measure the compatibility ratio of merging the CNN with any other classifier in a given aggregate. This measure helps in monitoring the enhancement level of the detection results of shilling attacks. Two different approaches are proposed in this thesis, user-based, and item-based. The experimental analysis used three benchmark datasets: the Movie-Lens 100K, Netflix, and Movie-Lens 1M. A comprehensive comparative analysis is also completed to assess the performance of both individual-based and hybrid-based detection models. Experimental results show that the proposed hybrid models performed well on most attack profiles and reached an F1-score of up to 99%. We concluded that the superiority of hybrid models over individual models depends on the sparsity level of data and the divergence of results.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».