مروری بر مقاوم‌سازی سیستم‌های توصیه‌گر در برابر حملات شیلینگ

با افزایش استفاده از اینترنت در زندگی انسان‌ها، سایت‌ها و اپلیکیشن‌ها به یک ابزار بسیار مهم درزمینه‌ی کسب‌وکار و خدمات الکترونیک تبدیل شده‌اند. حجم بسیار بالای اطلاعات و اقلام موجود در این سایت‌ها و اپلیکیشن‌ها مسئله اضافه بار انتخاب را برای کاربران به منظور انتخاب کالا و یا سرویس مورد نظر آن‌ها ایجاد می‌کند. سیستم‌های توصیه‌گر یکی از راه‌حل‌های اساسی جهت حل این مسئله است. یکی از مشکلات اصلی در سیستم‌های توصیه‌گر آسیب‌پذیری آن‌ها در برابر حملات است. حملات شیلینگ از رایج‌ترین نوع حملات در سیستم‌های توصیه‌گر است. این حملات به‌وسیله‌ی ایجاد پروفایل‌های جعلی و امتیازدهی مغرضانه به آیتم‌ها باعث تغییر در نتایج و توصیه‌های این سیستم‌ها می‌شود. حملات شیلینگ تهدیدی علیه عملکرد صحیح سیستم‌های توصیه‌گر است؛ بنابراین علاوه بر تشخیص حملات شیلینگ، مقاوم‌سازی سیستم‌های توصیه‌گر در برابر حملات شیلینگ نیز امری ضروری به نظر می‌رسد. در این مقاله مروری به تعاریف و اصطلاحات رایج در حملات شیلینگ، انواع حملات شیلینگ، کارهای مرتبط با مقاوم‌سازی سیستم‌های توصیه‌گر در برابر حملات شیلینگ و معیارهای ارزیابی آن پرداخته می‌شود. در نهایت اهمیت روش‌های مقابله با حملات شیلینگ به بحث گذاشته شده و در انتها نتیجه‌گیری نهایی از مطالب ذکر شده بیان خواهد شد.

A review of making robust recommender systems against shilling attacks

With the increasing use of the Internet in people's lives, websites and applications have become a very important tool in the field of business and electronic services. The very high volume of information and items available on these sites and applications creates the problem of overloading of choice for users who want to choose the product or service they want. recommender systems are one of the basic solutions to solve this problem. One of the main problems in recommender systems is their vulnerability to attacks. Shilling attacks are the most common type of attack in recommender systems. These attacks affect the results and recommendations of these systems through creating fake profiles and biased rating of items. Shilling attacks are a threat to the proper functioning of recommender systems, so in addition to detecting shilling attacks in recommender systems, it is essential to enhance the robustness of them against shilling attacks. This article reviews the common terms in shilling attacks, types of shilling attacks, the studies related to the robust recommender systems and the evaluation metrics. Finally, the performance of these methods is discussed and at the end, the final conclusion of the mentioned subjects will be stated.