[2020-04-09] 推荐系统最新论文

Posted 2021-05-01 推荐系统与计算广告

推荐系统中的信任信息：深度学习视野

简介：现有推荐系统的一个主要的剩余挑战是，由于缺乏解释或推荐结果不准确，用户可能不信任推荐系统。因此，采用值得信赖的推荐系统至关重要。这项综述提供了三类信任感知推荐系统的系统摘要：利用用户的社交关系的社交感知推荐系统； 鲁班的推荐系统，可过滤不真实的噪声(例如垃圾邮件发送者和虚假信息)或增强抗攻击性；可解释的推荐系统，提供推荐商品的说明。我们专注于基于深度学习技术的工作，这是推荐研究中的一个新兴领域。

关键字: Trust · Recommender System · Deep Learning · Survey

原文：https://arxiv.xilesou.top/pdf/2004.03774.pdf

针对Next-Item推荐的实用数据中毒攻击

这是一篇WWW‘20的论文。

简介：在线推荐系统利用各种信息源为用户提供用户可能感兴趣的项目。但是，由于在线平台的开放性，推荐系统容易受到数据中毒攻击。现有的攻击方法要么基于简单的启发式规则，要么针对特定的推荐方法进行设计。

前者的性能常常不能令人满意，而后者则需要对目标系统有深入的了解。在本文中，我们将重点放在一般的下一项推荐设置上，并针对黑盒推荐系统提出一种名为LOKI的实用中毒攻击方法。提出的LOKI利用强化学习算法来训练攻击代理，该攻击代理可用于生成用户行为样本以进行数据中毒。

在现实世界的推荐系统中，重新训练推荐模型的成本很高，并且用户与推荐系统之间的交互频率受到限制。考虑到这些现实世界的限制，我们建议让代理与推荐器模拟器(而不是目标推荐系统)进行交互，并利用生成的对抗性样本的可传递性来毒害目标系统。我们还建议使用影响函数来有效地估计注入样本对推荐结果的影响，而无需在模拟器内重新训练模型。在针对四个代表性推荐模型的两个数据集上进行的大量实验表明，所提出的LOKI比现有方法具有更好的攻击性能。

原文：https://arxiv.xilesou.top/pdf/2004.03728.pdf