دانلود ترجمه مقاله کشف حمله شیلینگ در سیستم های توصیه گر با آنالیز الگوهای انتخاب
ترجمه فارسی مقاله تشخیص حمله شیلینگ در سیستم های توصیه گر از طریق تجزیه و تحلیل الگوهای انتخاب
.
.
بخشی از ترجمه فارسی مقاله : تشخیص حمله شیلینگ در سیستم های توصیه گر از طریق تجزیه و تحلیل الگوهای انتخاب |
فیلتر مشترک (CF) در سیستم های توصیه گر به طور گسترده ای برای تولید توصیه های شخصی، استفاده می شود. با این حال، سیستم های توصیه گر CFبرای حملات شیلینگ آسیب پذیر هستند و حملات، پروفایل های جعلی را برای دستکاری نتایج توصیه تزریق می کنند. بنابراین، حملات شیلینگ شامل تهدیدی علیه اعتبار سیستم های توصیه گر می باشند. مطالعات قبلی به طور عمده ویژگی هایی را از مشخصات رتبه آیتم در پروفایل های کاربر برای تشخیص حملات استخراج می کند، اما در روش ها، وقتی مهاجمان الگوهای جدید امتیازی را اتخاذ می کنند از دقت کم رنج می برند. برای غلبه بر این مشکل، ویژگی هایی را از خواص محبوبیت آیتم در پروفایل های کاربر استخراج می کنیم که توسط الگوهای انتخاب مختلف کاربران تعیین می شود.
این روش استخراج ویژگی، بر دانش قبلی مبتنی است که مهاجمان موارد را برای امتیازدهی با قوانین بشری انتخاب می کنند در حالی که کاربران عادی این را با توجه به تنظیمات درونی خود انجام می دهند. سپس، روش طبقه بندی یادگیری ماشین مورد بهره برداری قرار می گیرد تا از این ویژگی ها جهت شناسایی و حذف مهاجمان استفاده نماید. نتایج آزمایش بر روی مجموعه داده موویلنز و آمازون ، مجموعه داده را مرور می کند که روش پیشنهادی ما عملکرد تشخیص را بهبود می بخشد. علاوه بر این، توجیه نتایج ارزش عملی ویژگی ها از الگوهای انتخاب مشتق شده اند. |
.
بخشی از مقاله انگلیسی : |
Shilling Attack Detection in Recommender Systems via Selecting Patterns Analysis |
Collaborative filtering (CF) has been widely used in recommender systems to generate personalized recommendations. However, recommender systems using CF are vulnerable to shilling attacks, in which attackers inject fake profiles to manipulate recommendation results. Thus, shilling attacks pose a threat to the credibility of recommender systems. Previous studies mainly derive features from characteristics of item ratings in user profiles to detect attackers, but the methods suffer from low accuracy when attackers adopt new rating patterns. To overcome this drawback, we derive features from properties of item popularity in user profiles, which are determined by users’ different selecting patterns.
This feature extraction method is based on the prior knowledge that attackers select items to rate with man-made rules while normal users do this according to their inner preferences. Then, machine learning classification approaches are exploited to make use of these features to detect and remove attackers. Experiment results on the MovieLens dataset and Amazon review dataset show that our proposed method improves detection performance. In addition, the results justify the practical value of features derived from selecting patterns. |
.
مشخصات مقاله : | |
عنوان فارسی: تشخیص حمله شیلینگ در سیستم های توصیه گر از طریق تجزیه و تحلیل الگوهای انتخاب |
|
عنوان انگلیسی: Shilling Attack Detection in Recommender Systems via Selecting Patterns Analysis |
|
تعداد صفحات مقاله انگلیسی : 12 | تعداد صفحات ترجمه فارسی : 28 |
سال انتشار : 2016 | نشریه: J-stage |
فرمت مقاله انگلیسی : PDF | فرمت ترجمه مقاله : ورد تایپ شده |
کد محصول : 8353 |
رفرنس : دارد |
محتوای فایل : zip | حجم فایل : 3.00Mb |
رشته های مرتبط با این مقاله: مهندسی کامپیوتر و فناوری اطلاعات | |
گرایش های مرتبط با این مقاله: مهندسی نرم افزار، شبکه های کامپیوتری، رایانش امن و امنیت اطلاعات |
|
مجله: تراکنش های IEICE در اطلاعات و سیستم ها – IEICE Transactions on Information and Systems | |
دانشگاه: آزمایشگاه محاسبه خدمات قابل اعتماد در انجمن فیزیکی سایبر (دانشگاه چونگکینگ)، گروه آموزش، چین |
|
کلمات کلیدی: استخراج ویژگی، محبوبیت، الگوهای انتخاب، سیستم های توصیه گر، حملات شیلینگ | |
وضعیت ترجمه عناوین تصاویر و جداول : ترجمه نشده است | |
وضعیت ترجمه متون داخل تصاویر و جداول : ترجمه نشده است | |
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است |
مطالب مرتبط: |
دانلود مقالات کامپیوتر با ترجمه فارسی دانلود رایگان مقاله انگلیسی با ترجمه فارسی |
.
پشتیبانی : | |
شما پس از انتخاب دکمه خرید در سایت کالج پروژه به سایت ایران عرضه جهت انجام مراحل خرید هدایت خواهید شد. | |
– تلفن ثابت: ۰۴۱۴۲۲۷۳۷۸۱ – ساعات تماس: ۷ صبح الی ۱۸ عصر – آدرس ایمیل: iranarze.supt@gmail.com – تلگرام ایران عرضه: ۰۹۲۱۶۴۲۶۳۸۴ – پیامک: ۰۹۲۱۶۴۲۶۳۸۴ – آدرس: آذربایجان شرقی، مرند، خیابان کشاورزی، کوچه امین، پلاک ۳۰ – کد پستی: ۵۴۱۶۸۵۵۱۸۳ |
.