کشف تقلب در شبکه های اجتماعی با استفاده از فناوری داده کاوی

انواع گوناگون کاربردهای وب ، رضایت بیشتر مشتریان و منافع بیشتر را بدست آورده است چون که با موفقیت با توصیه های شخصی سازی ، مجهز شده است . با این حال ،افزایش شایع حمله کننده های شیلینگ از پروفایل های رتبه بندی سودار برای دستکاری توصیه سیستم استفاده می کند .که نه تنها دقت توصیه و رضایت مشتری را پایین می آورد، بلکه به قابلیت اعتماد پلات فورم های تراکنش و شرکت کنندگان آسیب می زند. بسیاری از مطالعات، روش هایی را در بربر حملات شیلینگ ، به خصوص پروفایل کاربر مبتنی بر ردیابی ، پیشنهاد داده اند . با این حال،این ردیابی از استخراج مشخصه جهانی حمله کنندگان رنج می برد.که مستقیما منجر به عملکرد ضعیف هنگام رویارویی بابهبود انواع حملات شیلینگ می شود. این مقاله،یک تکنیک قطعه بندی فاصله زمانی دینامیک را براساس رویکرد ردیابی ناهنجاری آیتم برای نشاان دادن ایا مشکل، ارائه میکند. به ویژه، این مطالعه توسط مشخصه های حمله مشترک از جایگاه پروفایل آیتم بازرسی می شود و می تواند حملات را صرف نظر از نوع خاص حملات ردیابی کند. تکنیک قطعه بندی پیشنهاد شده ، می تواند سایز فاصله زمانی را برای گروه به عنوان رتبه بندی حملات پیاپ ، تایید کند . بعلاوه ، جدا از سنجش های تاثیر پذیری ، توجه کمی به استحکام روش های ردیابی شده است،که شامل اندازه گیری دقت و پایداری نتایج می شود .از این رو ،یک سنجش پایداری را به عنوان یک مکمل برای تخمین استحکام معرفی کردیم . از طریق آزمایشات روی دیتاست MovieLens ، عملکرد رویکرد پیشنهادی نشان داده شده است ، و مقدار رویکرد پیشنهادی برای کاربردهای آنلاین ، توجیه شده است.

Keywords:

ردیابی ناهنجاری , چولگی , فاصله زمانی , توصیه های شخصی , پایداری