基于协同过滤(CF)的潜在因素模型(LFM)，如矩阵分解(MF)和深度CF方法，由于其良好的性能和推荐精度，在现代推荐系统(RS)中得到了广泛的应用。尽管近年来取得了巨大的成功，但事实表明，这些方法易受对抗性例子的影响，即，这是一种微妙但非随机的扰动，旨在迫使推荐模型产生错误的输出。这种行为的主要原因是，用于LFM训练的用户交互数据可能会受到恶意活动或用户误操作的污染，从而导致不可预测的自然噪声和危害推荐结果。另一方面，研究表明，这些最初设想用于攻击机器学习应用程序的系统可以成功地用于增强它们对攻击的鲁棒性，以及训练更精确的推荐引擎。在这方面，本调查的目标有两方面:(i)介绍关于AML-RS的最新进展，以保障AML-RS的安全性。(ii)展示了AML在生成对抗网络(GANs)中的另一个成功应用，生成对抗网络(GANs)使用了AML学习的核心概念(即用于生成应用程序。在这项综述中，我们提供了一个详尽的文献回顾60篇文章发表在主要的RS和ML杂志和会议。这篇综述为RS社区提供了参考，研究RS和推荐模型的安全性，利用生成模型来提高它们的质量。
成为VIP会员查看完整内容
Adversarial Machine Learning in Recommender Systems: State of the art and Challenges
相关内容
推荐系统，是指根据用户的习惯、偏好或兴趣，从不断到来的大规模信息中识别满足用户兴趣的信息的过程。推荐推荐任务中的信息往往称为物品(Item)。根据具体应用背景的不同，这些物品可以是新闻、电影、音乐、广告、商品等各种对象。推荐系统利用电子商务网站向客户提供商品信息和建议，帮助用户决定应该购买什么产品，模拟销售人员帮助客户完成购买过程。个性化推荐是根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品。随着电子商务规模的不断扩大，商品个数和种类快速增长，顾客需要花费大量的时间才能找到自己想买的商品。这种浏览大量无关的信息和产品过程无疑会使淹没在信息过载问题中的消费者不断流失。为了解决这些问题，个性化推荐系统应运而生。个性化推荐系统是建立在海量数据挖掘基础上的一种高级商务智能平台，以帮助电子商务网站为其顾客购物提供完全个性化的决策支持和信息服务。
Arxiv
6+阅读 · 2019年10月21日
Arxiv
3+阅读 · 2018年8月20日
相关VIP内容
相关资讯
相关论文
Arxiv
6+阅读 · 2019年10月21日
Arxiv
3+阅读 · 2018年8月20日
微信扫码咨询专知VIP会员