1.一种基于对比学习辅助推荐系统抵御托攻击的方法,其特征在于,包括以下步骤:基于具有虚假用户的网络开源推荐系统数据集,建立用户物品交互矩阵,并将用户物品节点经过嵌入层生成用户特征向量;
基于所述用户物品交互矩阵,通过正负样本采样进行数据增广,获取增广数据;
基于带权重的点积和二元交叉熵,通过所述增广数据进行训练,构建对比学习模型;
基于三层神经网络和焦点损失函数,通过所述用户特征向量进行模型训练,构建用户检测模型,获取用户置信值;
将用户特征作为输入经过三层神经网络进行特征提取并得到分类分数:pu=σ(euW):
其中,eu为用户特征向量,W为权重矩阵,σ表示激活函数,前两层为ReLu,最后一层为sigmod,pu表示用户u的用户置信值;
基于带权重的三层图神经网络和贝叶斯个性化损失函数,通过所述用户物品交互矩阵获取正负样本对数据,与所述用户置信值一起作为输入数据进行模型训练,构建防御托攻击推荐模型;
在构建防御托攻击推荐模型的过程中,将置信值作为卷积操作中的权重,其中,所述置信值包括:用户置信值和物品置信值;所述物品置信值通过所述用户置信值在交互矩阵上进行图卷积操作得到;
将所述对比学习模型、所述用户检测模型和所述防御托攻击推荐模型进行联合训练,将每个用户与所有物品的特征向量进行点乘操作得到分数,生成用户的推荐列表。
2.根据权利要求1所述一种基于对比学习辅助推荐系统抵御托攻击的方法,其特征在于:在进行数据增广的过程中,将每个用户作为目标用户,在目标用户具有交互的物品集合中,按比例采样,得到正样本子图特征向量集合,选取任意非目标用户节点,在非目标用户具有交互的物品集合中,按比例采样得到负样本子图特征向量集合,根据所述正样本子图特征向量集合和所述负样本子图特征向量集合,生成所述增广数据。
3.根据权利要求2所述一种基于对比学习辅助推荐系统抵御托攻击的方法,其特征在于:在构建对比学习模型的过程中,将正负样本子图特征向量集合堆叠起来并分别作平均池化操作,得到子图特征向量;
再分别与目标用户特征向量进行带权重的点乘操作得到分数;
使用BCE损失函数进行学习训练,构建所述对比学习模型。
4.根据权利要求3所述一种基于对比学习辅助推荐系统抵御托攻击的方法,其特征在于:在构建用户检测模型的过程中,所述三层神经网络的前两层为ReLu,最后一层为sigmod。
5.根据权利要求4所述一种基于对比学习辅助推荐系统抵御托攻击的方法,其特征在于:在进行负样本对采样的过程中,在用户物品交互矩阵上进行贝叶斯正负样本对采样。
6.根据权利要求1所述一种基于对比学习辅助推荐系统抵御托攻击的方法,其特征在于:在生成推荐列表的过程中,取用户的前20个最高分数的交互物品作为用户的推荐列表。
7.一种基于对比学习辅助推荐系统抵御托攻击的系统,其特征在于,该系统用于实现如权利要求1-6任意一项权利要求所述的一种基于对比学习辅助推荐系统抵御托攻击的方法,该系统,包括:矩阵建立模块,用于基于具有虚假用户的网络开源推荐系统数据集,建立用户物品交互矩阵,并将用户物品节点经过嵌入层生成用户特征向量;
数据增广模块,用于基于所述用户物品交互矩阵,通过正负样本采样进行数据增广,获取增广数据;
第一模型构建模块,用于基于带权重的点积和二元交叉熵,通过所述增广数据进行训练,构建对比学习模型;
第二模型构建模块,用于基于三层神经网络和焦点损失函数,通过所述用户特征向量进行模型训练,构建用户检测模型,获取用户置信值;
第三模型构建模块,用于基于带权重的三层图神经网络和贝叶斯个性化损失函数,通过所述用户物品交互矩阵获取正负样本对数据,与所述用户置信值一起作为输入数据进行模型训练,构建防御托攻击推荐模型;
辅助模块,用于将所述对比学习模型、所述用户检测模型和所述防御托攻击推荐模型进行联合训练,将每个用户与所有物品的特征向量进行点乘操作得到分数,生成用户的推荐列表。