سازوكار جديدي براي كاهش خطاي تشخيص حملات شيلينگ در سيستم‌هاي توصيه‌گر

در شبكه هاي اجتماعي و فروشگاه هاي اينترنتي، براي مواجهه با مشكلات برآمده از حجم فراوان اطلاعات، به‌طور گسترده اي از سيستم هاي توصيه گر استفاده مي شود. پالايش مشاركتي روشي است كه اغلب اين سيستم ها براي توليد توصيه به كاربر استفاده مي‎كنند. از آنجا كه اين روش، براي توصيه، راي كاربران را در نظر مي‎گيرد، راي افراد مخرب مي تواند آسيب هاي شايان توجهي به آن وارد كند. به بيان ديگر، ممكن است كاربراني وجود داشته باشند كه با ايجاد پروفايل هاي جعلي، آراي خود را به‌صورت مغرضانه، وارد سيستم كنند و باعث اختلال در توليد توصيه اي مناسب به ساير كاربران شوند. به اين نوع آسيب، حملات شيلينگ گفته مي شود. اگر مهاجمان در اين امر موفق شوند، اعتماد كاربران به سيستم هاي توصيه گر كاهش خواهد يافت. در سال هاي اخير، الگوريتم هاي تشخيص حمله خوبي ارائه شده است، اما هر يك محدوديت هايي دارند. در اين مقاله با استفاده از الگوريتم هاي مبتني بر پروفايل و آيتم، سازوكاري ارائه شده است كه خطاي تشخيص حملات شيلينگ را به‌صورت چشمگيري كاهش مي‎دهد.