📌 개요

데이터 마이닝 시스템과 마찬가지로 추천 시스템의 효율성은 거의 전적으로 사용 가능한 데이터의 품질에 달려 있다.
안타깝게도 데이터를 입력하는 사람이 개인적인 이득이나 악의적인 이유로 아이템에 대한 잘못된 피드백을 제출할 수도 있다.

공격 유형

1. 제품 푸시 공격 : 아이템 제조사 또는 책의 저자는 판매를 최대화하기 위해 아마존에 가짜 리뷰를 입력할 수 있다.
2. 핵 공격 : 아이템 제조사의 경쟁업체는 아이템에 대한 악의적인 리뷰를 입력할 수 있다.

많은 사용자들이가짜 피드백을 생성해서 추천 시스템의 예측을 변경할 수 있으며,
이러한 공격을 실링 공격이라고도 한다.
공격을 성공적으로 수행하는 데 필요한 지식의 양에 따라 공격을 분류할 수도 있다.
- 저지식 공격 : 평점 분포에 대한 제한된 지식만 필요한 공격
- 고지식 공격 : 평점 분포에 대한 많은 지식이 필요한 공격
- 일반적으로 공격에 필요한 지식의 양과 공격의 효율성 사이에는 트레이드 오프가 존재한다.

📌 공격 모델의 트레이드 오프 이해

공격 모델에는 공격의 효율성과 성공적인 공격을 수행하는 데 필요한 지식의 양 사이에는 여러가지 자연스러운 트레이드 오프가 있다.
특정 공격의 효과는 사용중인 특정 추천 알고리듬에 따라 달라질 수 있다.
표 12.1은 5개의 아이템과 6명의 실제 사용자의 예제이다.
- 이 공격자의 목표는 아이템3의 평점을 높이는 것이다.
- 이 공격자는 아이템 3에 해당하는 단일 아이템이 포함된 가짜 프로파일을 삽입하는 다소 나이브한 공격을 선택했다.
- 그러나 이러한 공격은 특별히 효율적인 것은 아니다.
- 주입된 프로파일마다 단일 평점만 포함돼 있기 때문에 탐지율이 매우 높을 뿐만 아니라 이러한 평점 주입은 대부분의 추천 알고리듬에 큰 영향을 미치지 않을 것이다.
표 12.2에 나타난 두 번째 공격 예이다.
- 공격자는 아이템 3을 홍보하려고 하지만 발각되지 않기 위해 다른 아이템도 무작위 평점을 추가한다.
- 이러한 공격은 표 12.1의 공격보다 효과적이다.
- 그럼에도 불구하고, 이 공격은 이웃 기반 알고리듬의 결과에 영향을 미치기 위해 많은 수의 프로파일을 주입해야 하기 때문에 매우 비효율적이다.
표 12.3은 주입된 평점은 아이템 간의 상관관계를 반영하고 아이템 3의 평점을 높이도록 설계됐다.
- 이 공격자는 아이템 1과 2의 평점이 양의 상관관계가 있으며 아이템 4와 5의 평점도 양의 상관관계가 있음을 알고 있다.
- 또한 이 두 그룹의 아이템은 서로 음의 상관관계가 있다.
- 따라서 공격자는 이러한 상관관계를 고려하면서 평점을 주입한다.
- 이 경우 아이템 3에 대한 메리의 예측 평점은 표 12.1 및 12.2에 나온 이전 예보다 확실히 더 크게 영향을 받을 것이다.
- 따라서 이 공격은 평점을 크게 이동시키기 위해 적은 수의 프로파일이 필요하기 때문에 매우 효율적이다.
- 반면에 이러한 공격에는 상당한 양의 지식이 필요하며 이는 실제 환경에서 항상 사용한 것은 아니다.
- 또한 아이템 기반 알고리듬이 표 12.3의 고지식 사례에 적용되는 경우 아이템 3에 대한 메리의 예측 평점은 크게 영향을 받지 않는다.

요약

1. 신중하게 설계된 공격은 소수의 가짜 프로파일을 삽입해서 예측에 영향을 줄 수 있는 반면에 아무렇지 않게 주입한 공격은 예측 평점에 전혀 영향을 미치지 않을 수 있다.
2. 평점 데이터 베이스 통계에 대한 자세한 정보를 제공하면 공격자가 더 효율적인 공격을 수행할 수 있지만 평점 데이터베이스에 대한 상당한 양의 지식을 얻는 것이 어려운 경우가 많다.
3. 공격 알고리듬의 효과는 공격 중인 알고리듬에 따라 다르다.

📖 공격 영향 계량화

다양한 유형의 공격 영향을 분석하려면 영향을 계량화할 수 있어야 한다.

계량화 단계

1. 우선 테스트 사용자의 서브 세트와 테스트 프로세스에서 푸시된 테스트 아이템을 선택하는 것이다.
2. 그런 다음 각 아이템에 대해 한 번에 하나씩 공격을 수행하고 아이템 j에 대한 테스트 사용자의 예측된 사용자 평가에 대한 영향을 측정한다.
3. 모든 사용자 및 아이템에 대한 평균 예측 시프트를 측정한다.

테스트 사용자 세트 및 아이템 j에 대한 평균 시프트는 다음과 같이 계산한다.
그런 다음 모든 아이템에 대한 전체 예측 시프트는 모든 테스트 아이템에 대한 아이템별 시프트의 평균 값과 같다.
- 예측 시프트는 푸시된 아이템이 목표에 적합한 방향으로 얼마나 잘 이동했는지를 계량화하는 방법이다.
푸시 공격의 경우 예측 시프트 곡선은 상향 경사이고,
핵 공격의 경우에는 예측 경사 곡선이 하향 경사이다.
- 그림 12.1은 푸시 공격의 예측 시프트에 대한 일반적인 곡선을 나타낸다.
- 그림 12.2는 핵 공격의 예측 시프트에 대한 일반적인 곡선을 나타낸다.
예측 시프트는 평점의 변화를 정량화하는 좋은 방법이지만 최종 사용자의 관점에서 실제 영향을 측정하지 못할 수도 있다.
따라서 보다 적절한 측정 값은 아이템 j와 테스트 사용자 세트에 대해 정의한 적중률이다.
- 적중률은 최상위-k 추천 아이템 중에서 아이템 j가 나타나는 사용자 세트에 포함된 사용자 비율로 정의한다.
- 그런 다음 모든 테스트 사용자와 아이템에 대한 전체 적중률의 모든 테스트 아이템에 대해 평균화한다.
- 예측 시프트와 달리 공격 전후에 적중률을 도표로 만들어야 한다.

📌 공격 유형

평점을 일부러 높이거나 낮춘 아이템 한 개를 추가하기 위해 가짜 프로파일을 삽입하면 일반적으로 많은 추천 알고리듬의 결과에 큰 영향을 미치지 않는다.
따라서 주입한 프로파일에 평점이 있는 아이템들을 추가하며 ,
이러한 아이템을 필러 아이템이라고 한다.
그러나 이러한 공격은 관련 아이템 집합을 식별해야 하기 때문에 평점 분포에 대한 더 많은 지식이 필요하다.
일부 공격은 특별히 푸시 공격 또는 핵 공격을 할 수 있도록 설계되며,
두 가지 유형의 공격은 종종 예측 시프트 및 적중률 측면에서 매우 다른 동작을 보여준다.
푸시 공격과 핵 공격을 평가할 때는 여러 측정 값을 사용해야 한다.

📖 랜덤 공격

랜덤 공격에서 필러 아이템은 모든 아이템에 대한 모든 평점의 전체 평균에 분포된 확률 분포를 통해 평점을 할당한다.
필러 아이템은 데이터베이스에서 무작위로 선택되므로 평점을 매길 아이템을 선택하는 것도 대상 아이템에 따라 달라지지 않는다.
이 공격을 수행하는 데 필요한 주요 지식은 모든 평점의 평균 값이다.
랜덤 공격은 필요한 지식이 제한적이지만, 효율적이지 않은 경우가 많다.

📖 평균 공격

평균 공격은 평점을 매기기 위해 필러 평점을 선택하는 방법에 있어 랜덤 공격과 유사하지만 선택한 아이템에 평점을 매기는 방식에서 랜덤 공격과 다르다.
대상 아이템에는 공격이 푸시 공격인지 핵 공격인지에 따라 최대 평점 또는 최소 평점이 매겨진다.
전체 평균을 아는 것 뿐만 아니라 각 필러 아이템의 평균을 알아야 하기 때문에
평균 공격은 랜덤 공격보다 많은 양의 지식이 필요하다.
또한 각 가짜 프로파일에 대해 동일한 필러 아이템 세트가 사용되므로 공겨기 다소 두드러진다.
검출 가능성을 감소시키기 위해 각각의 주입된 사용자 프로파일에 대해 랜덤으로 선택된 필러 아이템을 사용할 수도 있지만 그렇게 되면 더 많은 지식이 필요하다.

📖 밴드 왜건 공격

랜덤 공격과 평균 공격의 주된 문제점은 평점 행렬의 고유 희소성으로 인해 주입된 프로파일이 기존 프로파일과 충분히 유사하지 않다는 것이다.
밴드 왜건의 기본 아이디어는 평점을 많이 받은 적은 수의 아이템이 매우 인기가 있다는 사실을 활용하는 것이다.
따라서 가짜 사용자 프로파일이 항상 이러한 인기 아이템을 평가하면 가짜 사용자 프로파일이 대상 사용자와 유사할 가능성이 높아진다.
밴드 왜건 공격에서 인기 있는 아이템의 평점은 가능한 최대 평점 값으로 설정한다.
그 이유는 가짜 프로파일 내에서 더 많은 사용자가 발견될 가능성이 증가하기 때문이다.
공격 대상 아이템은 푸시 공격인지 핵 공격인지에 따라 가능한 최대 평점 또는 최소 평점으로 설정한다.
일반적으로 평점 행렬과 무관한 소스에서 모든 유형의 가장 인기 있는 아이템을 쉽게 결정할 수 있으며 이것이 밴드 왜건 공격이 평균 공격에 비해 훨씬 적은 지식을 요구하는 이유이다.
적은 지식 요구 사항에도 밴드 왜건 공격은 대부분 평균 공격과 유사한 수준으로 수행할 수 있다.

📖 인기 공격

인기 공격은 인기 아이템을 사용해 필러 아이템을 생성한다는 점에서 밴드 왜건 공격과 많이 유사하지만 인기 아이템은 광범위하게 좋아하거나 싫어하는 것에 무관한 많은 평점을 보유한 아이템을 이야기한다.
인기 공격은 이러한 인기 아이템의 평점을 매기기 위해 평점 데이터 베이스에서 더 많은 지식을 가지고 있다고 가정한다.
또한 추가적인 필러 아이템 세트가 존재하지 않는다고 가정한다.
인기 공격은 인기 아이템의 평점의 평균 값을 안다고 가정한다.
푸시 공격에 성공하기 위해 가짜 사용자 프로필에서 다양한 필러 아이템의 평점을 다음과 같이 설정한다.

평점 행렬에서 필러 아이템의 평균 평점이 모든 아이템에 대한 전체 평점 평균보다 낮은 경우, 해당 아이템의 평점을 가능한 최솟값으로 설정한다.
필러 아이템의 평점이 모든 아이템의 전체 평균 평점보다 높으면 아이템의 평점을 최솟값 + 1로 설정한다.
가짜 사용자프로파일에서 대상 아이템의 평정믈 항상 최댓값으로 설정한다.

다음과 같이 평점을 설정하는 이유

필러 아이템에 대해 최솟값 및 최솟값 + 1의 차등 평점을 선택해 가짜 프로파일 내에서 대상 사용자와 유사한 프로파일을 찾을 가능성을 높이기 위함이다.
아이템을 좀 더 효과적으로 밀어넣기 위해 타깃 아이템과 필러 아이템 사이의 평점 격차를 증가시키는 것이다.

이 공격을 약간 수정하면 핵 공격에도 사용할 수 있다.

📖 사랑/증오 공격

사랑/증오 공격은 핵 공격을 위해 특별히 설계됐으며, 이 공격을 수행하는 데 지식이 거의 필요하지 않다는 것이 주요 장점이다.
핵 공격 아이템은 최소 평점 값으로 설정하고, 다른 아이템은 최대 평점 값으로 설정한다.
핵 공격은 일반적으로 푸시 공격보다 끼워 넣기가 더 쉽기 때문에 저지식 공격은 종종 푸시 공격과 비교할 때 핵 공격의 경우 성공할 가능성이 더 높다.
사랑/증오 공격은 사용자 기반 협업 필터링 알고리듬에 매우 적합하며 아이템 기반 협업 필터링 알고리듬에는 거의 완전히 영향을 주지 못한다.

📖 역밴드 왜건 공격

역밴드 왜건 공격은 아이템을 핵 공격하기 위해 특별히 고안됐다.
역밴드 왜건 공격은 밴드 왜건 공격의 변형으로, 광범이하게 싫어하는 아이템을 필러 아이템으로 사용해 공격한다.
필러 아이템에는 핵 공격당한 아이템과 함께 낮은 평점이 매겨진다.
이 공격은 아이템 기반 협업 필터링 알고리듬을 사용해 추천할 때 핵 공격을 하기에 매우 효과적이다.

📖 탐지 공격

탐지 공격은 직접적으로 사용자 기반 추천 시스템에서 현실적인 평점으로 공격에 사용하기 위해 좀 더 현실적인 평점을 얻으려고 한다.
즉 공격하기 위해 추천 시스템의 작동을 조사한다.
탐지 공격에서는 공격자가 시드 프로파일을 작성하고 추천 시스템이 생성한 예측을 사용해 관련 아이템 및 해당 평점을 학습한다.
이러한 추천은 이 시드 프로파일의 사용자-이웃에 의해 생성했으므로 시드 프오파일과 상관관계가 있을 가능성이 높다.
추천 아이템과 예상 평점을 사용해 시드 프로파일을 현실적으로 향상시킬 수 있다.
대상 아이템의 평점은 각각 푸시 공격 또는 핵 공격 여부에 따라 최댓값 또는 최솟값으로 설정된다.
탐지 방식에서 학습한 다른 필터 아이템의 평점은 추천 시스템에서 예측한 평균 값으로 설정된다.

📖 세그먼트 공격

일반적으로 아이템 기반 협업 필터링 알고리듬을 공격하는 것이 더 어렵다.
그 이유 중 하나는 아이템 기반 알고리듬을 공격하기 위해서는 대상 사용자 자신의 평점을 활용해야 하기 때문이다.
가짜 사용자를 주입해 실제 사용자의 지정된 평점을 조작할 수는 없다.
그러나 가짜 프로파일을 사용해 피어 아이템을 변경할 수 있으며,
피어 아이템을 변경하면 예상 평점 품질에 영향을 준다.
공격자의 첫 번째 단계는 특정 아이템에 최근접 아이템을 결정하는 것이다.
- 이러한 아이템은 푸시된 아이템과 함께 가능한 최대 평점을 지정한다.
- 샘플링 된 추가 필러 아이템 세트에는 최소 평점을 지정한다.
- 이것은 같은 장르 아이템에 대한 아이템 유사도의 변화를 최대화한다.
기본 아이디어는 공격자가 아이템 추천 프로세스에서 매우 유사한 아이템만 사용하도록 하는 것이다.
대부분 푸시 공격이 효과적이다.

📖 기본 추천 알고리듬 효과

공격 대상 추천 알고리듬에 따라 공격 방법이 달라진다.
일반적으로 사용자 기반 추천 알고리듬은 아이템 기반 알고리듬에 비해 공격에 더 취약하다.

📌 추천 시스템에서 공격 탐지

강력한 추천 시스템을 유지한다는 관점에서 공격을 맏는 가장 좋은 방법은 공격을 탐지하는 것이다.
위조 프로파일을 제거하는 것은 실수하기 쉬운 프로세스이므로 실제 프로파일을 제거할 수 있다.

탐지 알고디름 성과 측정 방법

1. 탐지 알고리듬을 정밀도 및 재현율 측면에서 측정할 수 있다.
2. 추천 시스템 정확도에 대한 프로파일 제거의 영향을 측정할 수 있다.

탐지 알고리듬 유형

비지도 공격 탐지 알고리듬 : 애드혹 규칙을 사용해 가짜 프로파일을 탐지한다.
- 이 알고리듬 클래스의 기본 아이디어는 실제 프로파일과 유사하지 않은 공격 프로파일의 주요 특성을 식별하는 것이다.
지도 공격 탐지 알고리듬 : 지도 공격 탐지 알고리듬은 분류 모델을 사용해 공격을 탐지한다.
- 알려진 공격 프로파일은 +1로 표시하고 나머지 프로파일은 -1로 표시하는 이진 분류를 학습할 수 있다.
- 학습된 분류 모델은 주어진 프로파일이 진짜일 가능성을 예측하는 데 사용한다.

지도 공격 탐지 알고리듬은 기본 데이터에서 학습할 수 있는 능력 때문에 일반적으로 비지도 방법보다 효과적이다.
반면 공격 프로파일의 예를 얻는 것은 어려운 경우가 많다.

📖 개인 공격 프로파일 탐지

개별 공격 프로파일 탐지는 단일 공격 프로파일 탐지라고도 한다.
피처의 세트는 각 사용자 프로파일로부터 추출한다.
피처는 현재 피처에 따라 비정상적으로 높거나 비정상적으로 낮은 값이 공격을 나타낸다.
비정상적인 값을 취하는 피처의 일부를 공격 탐지 수단으로 사용할 수 있다.
다른 휴리스틱 함수도 이러한 피처와 함께 사용할 수 있다.

예측 차이의 수(NPD) : 주어진 사용자에 대해 NPD는 시스템에서 해당 사용자를 제거한 후 변경된 예측수라고 정의한다.
다른 사용자와의 의견 차이(DDI) : 이 값은 사용자 i의 불일치 정도인 DD(i)를 얻기 위해 관찰된 모든 사용자 수의 평점에 대한 평균을 낸다.
- 다른 사용자와의 의견 차이가 큰 사용자는 공격 프로파일일 가능성이 높다.
동의 평균의 평점편차(RDMA) : 동의 평균의 평점편차는 아이템의 평균 평점과 차이의 절댓값으로 정의한다.
- 평균을 계산하는 동안 각 아이템 j의 역빈도로 평균 평점이 바이어스 된다.
  사용자 i의 값 RDMA(i)는 다음과 같이 정의된다.
- 이 측정 항목의 값이 클수록 사용자 프로파일이 공격을 나타낼 가능성이 있음을 나타낸다.
사용자 평점의 표준편차 : 특정 사용자 평점의 표준편차다.
- 가짜 프로파일의 평점이 다른 사용자들과 크게 다르지만 필러 아이템이 평점 값으로 설정돼 있는 경우가 많기 때문에 상당히 자기-유사도가 높은 경우가 많다.
- 결과적으로 표준편차는 가짜 프로파일의 경우 작은 경향이 있다.
상위-k 이웃과의 유사도(SN) : 공격 프로파일을 조정 방식으로 삽입하는 경우가 많은데, 그 결과 최근접 이웃과 사용자의 유사도가 높아진다.
따라서 유사도 SN(i)를 다음과 같이 정의한다.
- wij의 값은 피어슨 상관계수와 같은 표준 사용자-사용자 유사도를 계산할 수 있다.

이러한 피처 외에도 다수의 일반 및 모델별 피처를 도입했으면 이는 평균 공격 또는 세그먼트 공격과 같은 특정 유형의 공격을 탐지하도록 설계했다.

평균 동의 가중 편차(VDMA) : WDMA 측정 항목은 RDMA 측정 항목과 유사하지만 드물게 나타나는 아이템의 평점에 더 큰 가중치를 준다.
동의 가중도(WDA) : RDMA 측정 항목의 두 번째 변형은 수식 12.5의 오른쪽에 정의된 RDMA 측정 항목의 분자만 사용한다.
수정된 유사도(MDS) : 수정된 유사도는 수식 12.7에 의해 정의된 유사도와 유사한 방식이지만 주된 차이점은 수식 12.7의 유사도 값 wij가 아이템 i와 j를 모두 평가하는 사용자 수에 의해 비례적으로 할인된다는 것이다.
- 이 할인은 사용자 i와 j 사이의 공통 아이템 수가 적을 때 계산된 유사도가 덜 신뢰할 수 있다는 직관을 기반으로 한다.

📖 그룹 공격 프로파일 탐지

이 경우 개인이 아닌 그룹으로 공격 프로파일을 탐지한다.
여기서 기본 원칙은 공격이 종종 관련 프로파일 그룹을 기반으로 한다는 것이다.
따라서 이러한 많은 방법은 클러스터링 전략을 사용해 공격을 탐지한다.

1. 전처리 방법

가장 일반적인 방법은 클러스터링을 사용해 가짜 프로파일을 제거하는 것이다.
공격 프로파일을 설계하는 방식 때문에 진짜 프로파일과 가짜 프로파일은 별도의 클러스터를 생성한다.
이는 가짜 프로파일의 많은 평점이 동일하기 때문에 밀집된 클러스터를 생성할 가능성이 높다.
PLSA를 사용해 사용자 프로파일을 클러스터링 할 수 있다.
- 하드 클러스터를 식별한 후에는 각 클러스터의 평균 마할라노비스 반지름을 계산한다.
- 이 방벙븐 가짜 프로파일을 포함하는 클러스터의 상대적 조밀성을 전제로 한다.
- 이러한 접근 방식은 비교적 명백한 공격에는 효과적이지만 감지하기 힘든 공격에는 적합하지 않다.
보다 간단한 접근법은 주성분 분석만 사용하는 것이다.
- 기본 아이디어는 가짜 사용자 간의 공분산이 크다는 것이다.
- 반면, 가짜 사용자는 사용자를 차원으로 취급할 때 다른 사용자와의 공분산이 매우 낮은 경우가 많다.
- 평점 행렬은 먼저 0과 당뉘 표준편차로 정규화된 다음 전치 공분산 행렬을 계산한다.
- 이 행렬의 최소 고유 벡터를 계산한다.
- 고유 벡터에 기여도가 작은 차원을 선택한다.
그룹 프로파일을 탐지하는 또 다른 알고리듬은 UnRAP 알고리듬이다.
- UnRAP 알고리듬에서는 Hv-score라는 측정 값을 사용한다.
- 유전자 클러스터의 biclustering의 맥락에서 사용한다.
- 사용자 i의 Hv-score는 다음과 같이 정의한다.
  - Hv-score 값이 클수록 공격 프로파일을 더 잘 나타낸다.
  - 기본 아이디어는 가짜 프로파일은 평점 값이 자기-유사도를 갖는 경향이 있지만 다른 사용자와는 다른 경향을 보인다.
  - 알고리듬은 먼저 Hv-score가 가장 큰 상위 10명의 사용자를 결정한다.
  - 그런 다음 대상 아이템을 식별하면 다음 단계의 알고리듬에 대한 단계가 설정된다.
  - 그런 다음 사용자를 가짜 후보로 간주하는 기준이 완화되고 10명 이상의 사용자 프로파일이 가짜 후부로 간주된다.
  - 그러나 이러한 후보는 많은 거짓 양성을 포함할 것이다.

2. 온라인 방법

이 방벙베서 추천을 하는 시간 동안 가짜 프로파일을 감지한다.
기본 아이디어는 활성 사용자 근처에 두 개의 클러스터를 만드는 것이다.
공격자의 주요 목표는 특정 아이템을 푸시하거나 핵 공격을 하는 것이기 때문에 두 군집에 있는 활성 아이템의 평균 평점에 충분히 큰 차이가 있는 경우 공격이 발생한 것으로 가정한다.
활성 아이템의 평점 분산이 더 작은 클러스터는 공격 클러스터로 가정하고 이 공격 클러스터의 모든 프로파일을 제거한다.
이 탐지 방법은 이웃 형성 과정에서 공격 방지 추천 알고리듬에 직접 통합할 수 있다는 장점이 있다.

📌 강력한 추천 디자인을 위한 전략

추천 시스템을 좀 더 강력한 방식으로 구축하기 위한 다양한 전략을 사용할 수 있다.

📖 CAPTCHA를 사용한 자동 공격 방지

예측한 평점이 크게 변하기 위해서는 많은 수의 가짜 프로파일이 필요하다.
공격자가 공격을 시작하기 위해 실제 프로필 수의 3%에서 5%의 가짜 프로파일이 필요한 것은 흔한 컨텍스트다.
따라서 공격자는 종종 자동 시스템을 사용해 평가 시스템의 웹 인터페이스와 상호작용해서 가짜 프로파일을 삽입한다.
CAPTCHA는 웹 상호작용하는 컨텍스트에서 인간과 기계의 차이를 알려주기 위해 고안됐다.
기본 개념은 왜곡된 텍스트가 사용자에게 제공되면 추가 상호작용을 위해 웹 인터페이스에 입력해야하는 도전 텍스트 또는 단어의 역할을 한다.
CAPTCHA의 예는 그림 12.4에 나와 있다.

📖 사회적 신뢰 사용

사용자는 다른 사용자의 평가 경험에 따라 신뢰 관계를 지정할 수 있다.
그런 다음 이러한 신뢰 관계를 사용해 보다 강력한 추천을 만든다.
이러한 방법을 사용하면 공격의 효과를 줄일 수 있다.
사용자들이 조작된 가짜 프로파일과 신뢰 관계를 맺지 않을 가능성이 높기 때문에 이러한 방법은 공격의 효과를 줄일 수 있다.

📖 강력한 추천 알고리듬 설계

공격에 대한 저항을 염두에 두고 여러 알고리듬이 특별히 설계됐다.

1. 클러스터링을 이웃 방법에 통합

이 작업은 PLSA 및 k-평균 기법을 사용해 사용자 프로파일을 클러스터링한다.
- 각 클러스터에서 집계 프로파일을 생성한다.
- 집계 프로파일은 세그먼트에 있는 각 아이템의 평균 평점을 기반으로 한다.
- 그런 다음 개별 프로파일 대신 집계 프로파일을 사용하는 것을 제외하면 사용자 기반 협업 필터링에 대한 유사한 접근 방식을 사용한다.
각 예측에 대해 대상 사용자와 최근접 집계된 프로파일을 사용해 추천을 만든다.
클러스터링 기반 접근 방식은 평점한 최근접 이웃 방법보다 훨씬 더 강력한 결과를 제공한다.
이유는 클러스터링 프로세스가 일반적으로 모든 프로파일을 단일 클러스터에 매핑하므로 대체 클러스터를 사용할 수 있을 때 예측에 미치는 영향을 제한하기 때문이다.

2. 추천 시간 동안 가짜 프로파일 탐지

이 방법은 활성 사용자의 이웃을 두명의 사용자로 분할한다.
- 활성 아이템이 두 군집에서 매우 다른 평균 값을 갖는 경우 공격이라고 의심한다.
- 자기와 가장 유사한 클러스터를 공격 클러스터로 간주한다.
- 그런 다음 이 클러스터에 있는 프로파일을 제거한다.
- 그런 다음 나머지 클러스터의 프로파일을 사용해 추천한다.
이 방법은 공격-탐지 방법과 강력한 추천 알고리듬이라는 두 가지 목적을 가지고 잉ㅆ다.

3. 연관 기반 알고리듬

최대 공격 크기가 15% 미만일 때 규칙 기반 알고리듬이 평균 공격에 강하다.
그 이유는 성공적인 공격에 필요한 충분한 공격 프로파일이 없기 때문이다.

4. 강건한 행렬 인수분해

행렬 인수분해 방법은 일반적으로 공격 프로파일을 노이즈로 처리하는 자연스러운 능력 때문에 공격에 더 강력하다.
많은 행렬 인수분해 추천 시스템은 PLSA이 기반이다.
- 공격 단계를 중간 단계에서 제거하고 확률 매개변수를 다시 정규화하면 추천에 직접 사용할 수 있다.
또 다른 접근 방법은 행렬 인수분해에서 사용하는 최적화 기능을 수정해 공격에 대해 더 강력하게 만드는 것이다.
- 행렬 인수분해에서 m x n 평점 행렬 R은 다음과 같이 사용자 요인과 아이템 요인으로 분해된다.
- 아이템의 예측값은 다음과 같다.
- 행렬 인수분해의 목적 함수는 다음과 같다.
- 매우 큰 절댓값 오류의 영향을 강조하지 않기 위해 새로운 오류 항 세트를 정의한다.
  - 여기서 ▵는 사용자 정의 임계값으로, 원소가 커질 때를 의미한다.
- 감쇠는 큰 값의 오류가 지나치게 중요하지 않도록 하며, 다음과 같다.
- 감쇠 함수를 사용한 강건한 행렬 인수분해를 위한 목적 함수는 다음과 같다.
- 최소 제곱법 알고리듬을 최적화 프로세스에 사용한다.
  첫 번째 단계는 각 결정 변수에 대한 목적함수의 기울기를 계산한다.
- 앞에서 언급한 그레이디언트는 결정 변수와 관련해 편미분을 포함한다는 점에 유의한다.
- 여기에서 부호 함수는 양수의 경우 +1, 음수의 경우 -1을 취한다.
  미분에 대한 사례별 설명은 다음과 같이 단순한 형태로 통합할 수 있다.
- vjq에 대한 편미분은 다음과 같이 계산할 수 있다.
- 이제 각 사용자 i와 각 아이템 j에 대해 실행해야 하는 업데이트 단계를 다음과 같이 도출할 수 있다.
- 확률 경사하강법도 수행 가능하다.
  - 이러한 업데이트 단계는 오차가 ▵보다 큰 경우 기울기 성분의 절댓값을 제한한다는 점에서만 기존의 행렬 인수분해와 다르다.