如何保障推荐系统不受恶意攻击的影响，为用户提供真实可靠的推荐结果，已经成为一个值得研究的热点问题。本书基于可疑用户度量的思想，从基于内存和基于模型的推荐技术两方面展开研究，致力于设计一系列鲁棒性高、精度损失少的协同过滤推荐算法。本书首先针对基于用户的推荐算法近邻选取可靠性不高的问题，提出一种基于k-距离和项目类别信息的鲁棒推荐方法。其次针对已有信任计算模型在攻击概貌存在情况下对用户间信任关系度量不准确的问题，提出一种基于可疑用户度量和多维信任的鲁棒推荐方法。再次针对基于矩阵分解的推荐算法在应对托攻击时鲁棒性较差的问题，提出一种基于模糊核聚类和支持向量机的鲁棒推荐方法。然后针对基于矩阵分解的推荐算法不能平衡处理鲁棒性和推荐精度的问题，提出一种基于可疑用户识别和TukeyM-估计量的鲁棒推荐方法。最后在MovieLens数据集上与现有的经典方法进行实验对比分析，验证了所提方法的有效性。

第1章绪论
1.1研究背景和意义
1.2鲁棒推荐技术研究现状
1.2.1基于内存的鲁棒推荐算法研究现状
1.2.2基于模型的鲁棒推荐算法研究现状
1.2.3目前存在的问题
1.3主要研究内容
1.4本书组织结构
镑2章基于k-距离和项目类别信息的鲁棒推荐方法
2.1引言
2.2相关理论
2.2.1基于用户的协同过滤推荐算法
2.2.2基于k-近邻的离群点检测
2.3基于用户的协同过滤推荐系统脆弱性分析
2.4基于k-距离的用户可疑度计算
2.5融合用户可疑度和项目类别信息的缺失值填充
2.6鲁棒推荐算法
2.7本章小结
第3章基于可疑用户度量和多维信任的鲁棒推荐方法
3.1引言
3.2相关向量机
3.3基于相关向量机的可疑用户度量
3.4可靠多维信任模型
3.4.1信任属性的挖掘
3.4.2可靠多维信任模型的构建
3.5鲁棒推荐算法
3.6本章小结
第4章基于模糊核聚类和支持向量虮的鲁韩推荐方法
4.1引言
4.2相关理论
4.2.1基本矩阵分解技术
4.2.2模糊核聚类
4.2.3支持向量机
4.3基于矩阵分解的协同过滤推荐系统脆弱性分析
4.4基于模糊核聚类的攻击概貌检测
4.5基于支持向量机的攻击概貌识别
4.6鲁棒推荐算法
4.7本章小结
第5章基于可疑用户识别和TukeyM-估计量的鲁棒推荐方法
5.1引言
5.2融合可疑用户识别的可靠近邻模型
5.2.1可疑用户识别
5.2.2可靠近邻模型
5.3基于TukeyM-估计量的鲁棒矩阵分解模型
5.4鲁棒推荐算法
5.5参数值的确定
5.6本章小结
第6章实验与评价
6.1实验数据集
6.2评价指标
6.3实验设置
6.4基于k-距离和项目类别信息的鲁棒推荐算法性能评价
6.4.1算法推荐精度的对比及分析
6.4.2算法鲁棒性的对比及分析
6.5基于可疑用户度量和多维信任的鲁棒推荐算法性能评价
6.5.1算法推荐精度的对比及分析
6.5.2算法鲁棒性的对比及分析
6.6基于模糊核聚类和支持向量机的鲁棒推荐算法性能评价
6.6.1算法推荐精度的对比及分析
6.6.2算法鲁棒性的对比及分析
6.7基于可疑用户识别和TukeyM-估计量的鲁棒推荐算法性能评价
6.7.1算法推荐精度的对比及分析
6.7.2算法鲁棒性的对比及分析
6.8本章小结
结论
参考文献