Öneri sistemleri için gürbüz tahmin modellerinin geliştirilmesi

Öneri sistemleri, aşırı bilgi yükü sorununun ele alınmasında önemli bir rol oynamaktadır. Giderek artan bir literatür öneri sistemlerinin önemini kabul etmektedir. Ancak bu sistemler, öneri sistemlerinin performansını olumsuz yönde etkileyen şilin ataklarına maruz kalmaktadır. Söz konusu saldırıları tespit etmek için birçok çalışma sunulmuş ve başarılı sonuçlar elde edilmiştir. Ancak çalışmaların çoğu çevrimdışı yöntemler sunmuştur. Bu nedenle, bu sistemlerin gürbüzlüğünü artırmak için çevrimiçi ve anlık atak tespit yöntemlerine ihtiyaç duyulmaktadır. Bu tez çalışmasında, öneri sistemlerine anlık müdahaleyi mümkün kılmak için yeni bir çevrimiçi şilin saldırı tespiti önerilmektedir. Şüpheli kullanıcıları tespit etmek için kalite kontrol grafikleri kullanılmıştır. Tespit edilen şüpheli kullanıcılar yoğunluk tabanlı kümeleme algoritması ile kontrol edilmektedir. Kontrol sürecinde kullanıcı benzerliklerini bulmak için korelasyon analizi kullanılmaktadır. Önerilen yöntemin performansını göstermek için duyarlılık, kesinlik ve F1-skorları verilmiştir. Bu çalışmanın ana katkısı, şilin saldırılarının tüm veri kümesi yerine şüpheli kullanıcılar arasında tespit edilmesidir. Ayrıca, saldırı zamanı tespit sürecinde ek bir öznitelik olarak kullanılmıştır. Öneri sistemlerinin gürbüzlüğünü sağlamak için tespit edilen ataklar ile bir sınıflandırma algoritması eğitilerek gelecekteki benzer atakların tespitinin kolaylaştırılması sağlanmıştır. Burada atak ve gerçek profiller arasındaki sayı eşitsizliğini dengelemek amacıyla aşırı örnekleme yöntemi kullanılmıştır. Yine atak profillerin olmadığı durumlarda tek sınıflı destek vektör makinaları ile atak tespiti sağlanmıştır.