Recommendation systems influence decision making and have become attractive targets of manipulation.
Collaborative filtering, widely adopted in recommendation systems, exploits the observed reviews given by users to provide personalized recommendations under the assumption that all users honestly rate items.
Unfortunately, shilling attacks which inject fake reviews can easily manipulate the systems with the naive assumption.
Several approaches have been proposed to mitigate the effect of shilling attack.
Recently, some researchers have been interested in the fact that most recommendation systems encourage users to write reviews, as well as rate the helpfulness of reviews written by other users.
With the assumption that users will evaluate the helpfulness of fake reviews as low, they proposed recommendation systems considering the helpfulness as the quality of reviews.
However, those systems are vulnerable to attacks that inject fake helpfulness ratings to improve the quality of fake reviews.
We propose a robust recommendation system to overcome such review quality manipulation attacks.
The proposed approach estimates the true quality of reviews even in the presence of both injected fake reviews and helpfulness ratings.
Experimental results on a real-world dataset demonstrate the robustness of our method.
The proposed approach yields up to 20 times more robust recommendation results than the approaches that do not consider review quality manipulation.
추천 시스템은 사용자들의 구매 결정에 주요한 영향을 주기 때문에 악의적인 조작의 표적이 되어왔다.
대표적인 추천 방법은 상품에 대한 평가들이 정직하다는 가정하에 사용자의 기호정보를 분석하는 협업 필터링 방법이다.
하지만 협업 필터링 방법은 거짓된 상품 평가를 주입하는 실링 공격에 의해 조작될 위험이 있다.
이로 인해 실링 공격의 영향력을 낮추려는 여러 방법이 제안되었다.
최근에는, 많은 추천 시스템은 사용자에게 상품 평가의 품질을 평가할 수 있게 한다.
거짓된 상품 평가는 사용자들에 의해 낮은 품질로 분류될 것이라는 가정하에 연구자들은 상품 평가의 품질을 고려한 추천을 통해 실링 공격을 극복하고자 하였다.
하지만 이러한 추천 방법은 거짓된 품질 평가 데이터가 주입된다면 오히려 조작의 정도가 심해질 위험이 있다.
본 논문에선 상품 평가의 품질을 조작하려는 시도가 있더라도 상품 평가의 진실한 품질을 추정하는 견고한 추천 방법을 제안한다.
실제 데이터를 토대로 한 실험 결과를 통해 제안한 방법이 상품 평가의 거짓된 품질 평가를 고려하지 않는 방법보다 최대 20배 견고함을 보였다.
