論文の概要: Shilling Black-box Review-based Recommender Systems through Fake Review Generation

• arxiv url: http://arxiv.org/abs/2306.16526v1
• Date: Tue, 27 Jun 2023 12:32:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-30 15:43:50.857369
• Title: Shilling Black-box Review-based Recommender Systems through Fake Review Generation
• Title（参考訳）: フェイクレビュー生成によるブラックボックスレビューベースのレコメンダシステム
• Authors: Hung-Yun Chiang, Yi-Syuan Chen, Yun-Zhu Song, Hong-Han Shuai and Jason S. Chang
• Abstract要約: レビューベースのリコメンダシステム(RBRS)は、よく知られたコールドスタート問題を緩和する能力により、研究の関心が高まりつつある。 このようなレビューへの依存は、システムにシャットダウンされるリスクを露呈する可能性がある、と私たちは主張する。 RBRSに対する攻撃をシリングするための第1世代モデルを提案する。
• 参考スコア（独自算出の注目度）: 20.162253355141893
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Review-Based Recommender Systems (RBRS) have attracted increasing research interest due to their ability to alleviate well-known cold-start problems. RBRS utilizes reviews to construct the user and items representations. However, in this paper, we argue that such a reliance on reviews may instead expose systems to the risk of being shilled. To explore this possibility, in this paper, we propose the first generation-based model for shilling attacks against RBRSs. Specifically, we learn a fake review generator through reinforcement learning, which maliciously promotes items by forcing prediction shifts after adding generated reviews to the system. By introducing the auxiliary rewards to increase text fluency and diversity with the aid of pre-trained language models and aspect predictors, the generated reviews can be effective for shilling with high fidelity. Experimental results demonstrate that the proposed framework can successfully attack three different kinds of RBRSs on the Amazon corpus with three domains and Yelp corpus. Furthermore, human studies also show that the generated reviews are fluent and informative. Finally, equipped with Attack Review Generators (ARGs), RBRSs with adversarial training are much more robust to malicious reviews.
• Abstract（参考訳）: レビューベースのリコメンダシステム(RBRS)は、よく知られたコールドスタート問題を緩和する能力によって研究の関心が高まりつつある。 RBRSはレビューを利用してユーザとアイテムの表現を構築する。 しかし,本稿では,このようなレビューへの依存が,システムにシリングされるリスクを及ぼす可能性があることを論じる。 そこで本研究では,RBRSに対する攻撃をシリングするための第1世代モデルを提案する。 具体的には,システムに生成したレビューを付加した後,予測シフトを強制することで,不正にアイテムを宣伝する強化学習を通じて,偽レビュージェネレータを学習する。 事前訓練された言語モデルとアスペクト予測器の助けを借りて、テキストの流布度や多様性を高める補助的な報酬を導入することで、高い忠実度でシリングできる。 実験の結果,提案フレームワークはAmazon corpus上の3種類のRBRSを3つのドメインとYelp corpusで攻撃することに成功した。 さらに、人間による研究は、生成されたレビューが流動的で情報に富んでいることも示している。 最後に、アタックレビュージェネレータ(ARG)を装備し、敵の訓練を受けたRBRSは悪意のあるレビューに対してより堅牢である。

関連論文リスト

• Forging the Forger: An Attempt to Improve Authorship Verification via Data Augmentation [52.72682366640554]
  著者検証(英語: Authorship Verification, AV)とは、ある特定の著者によって書かれたか、別の人物によって書かれたのかを推測するテキスト分類タスクである。 多くのAVシステムは敵の攻撃に弱いことが示されており、悪意のある著者は、その書体スタイルを隠蔽するか、あるいは他の著者の書体を模倣することによって、積極的に分類者を騙そうとしている。
  論文  参考訳（メタデータ） (2024-03-17T16:36:26Z)
• Combat AI With AI: Counteract Machine-Generated Fake Restaurant Reviews on Social Media [77.34726150561087]
  我々は、高品質なYelpレビューを活用して、OpenAI GPTレビュー作成者から偽レビューを生成することを提案する。 このモデルを適用して、非エリートレビューを予測し、複数の次元にまたがるパターンを識別する。 ソーシャルメディアプラットフォームは、マシン生成の偽レビューによって継続的に挑戦されていることを示す。
  論文  参考訳（メタデータ） (2023-02-10T19:40:10Z)
• Mitigating Human and Computer Opinion Fraud via Contrastive Learning [0.0]
  本稿では,協調フィルタリングレコメンデータシステムにおける偽テキストレビュー検出への新たなアプローチを提案する。 既存のアルゴリズムは、言語モデルによって生成された偽レビューを検出し、不正直なユーザーによって書かれたテキストを無視している。 本稿では,ユーザ人口特性とテキストレビューを,偽造に対する追加的証拠として活用する,対照的な学習ベースアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-01-08T12:02:28Z)
• On Faithfulness and Coherence of Language Explanations for Recommendation Systems [8.143715142450876]
  この研究は、最先端モデルとそのレビュー生成コンポーネントを探索する。 得られた説明は不安定であり, 推定評価の合理的な根拠として考える前に, さらなる評価が必要であることを示す。
  論文  参考訳（メタデータ） (2022-09-12T17:00:31Z)
• Factual and Informative Review Generation for Explainable Recommendation [41.403493319602816]
  先行モデルの生成されたコンテンツは、しばしば事実の幻覚を含む。 提案手法は,検索したコンテンツと生成のためのパラメトリック知識の併用による最近の成功にインスパイアされ,パーソナライズされた検索機能を備えたジェネレータを提案する。 Yelp、TripAdvisor、Amazon Movie Reviewsのデータセットでの実験は、我々のモデルが既存のレビューをより確実に複雑にし、より多様性があり、人間の評価者によってより有益であると評価された説明を生成できることを示している。
  論文  参考訳（メタデータ） (2022-09-12T16:46:47Z)
• Learning Opinion Summarizers by Selecting Informative Reviews [81.47506952645564]
  31,000以上の製品のユーザレビューと組み合わせた大規模な要約データセットを収集し、教師付きトレーニングを可能にします。 多くのレビューの内容は、人間が書いた要約には反映されず、したがってランダムなレビューサブセットで訓練された要約者は幻覚する。 我々は、これらのサブセットで表現された意見を要約し、レビューの情報的サブセットを選択するための共同学習としてタスクを定式化する。
  論文  参考訳（メタデータ） (2021-09-09T15:01:43Z)
• Ready for Emerging Threats to Recommender Systems? A Graph Convolution-based Generative Shilling Attack [8.591490818966882]
  プリミティブアタックは、非常に実現可能であるが、単純な手作りのルールのため効果が低い。 アップグレードされた攻撃は、より強力だが、費用がかかり、展開が困難である。 本稿では,グラフcOnvolutionに基づく生成シリングアタック(GOAT)と呼ばれる新たなシリング攻撃を探索し,攻撃の実現可能性と効果のバランスをとる。
  論文  参考訳（メタデータ） (2021-07-22T05:02:59Z)
• Can We Automate Scientific Reviewing? [89.50052670307434]
  我々は、最先端自然言語処理(NLP)モデルを用いて、科学論文の第一パスピアレビューを生成する可能性について論じる。 我々は、機械学習領域で論文のデータセットを収集し、各レビューでカバーされているさまざまなコンテンツに注釈を付け、レビューを生成するために論文を取り込み、ターゲットの要約モデルを訓練する。 総合的な実験結果から、システム生成レビューは、人間によるレビューよりも、論文の多くの側面に触れる傾向にあることが示された。
  論文  参考訳（メタデータ） (2021-01-30T07:16:53Z)
• ScoreGAN: A Fraud Review Detector based on Multi Task Learning of Regulated GAN with Data Augmentation [50.779498955162644]
  生成・検出プロセスにおけるレビューテキストとレビューレーティングスコアの両方を利用した不正レビュー検出のためのScoreGANを提案する。 その結果,提案フレームワークは,既存の最先端フレームワークであるFakeGANをAPの7%,YelpとTripAdvisorのデータセットで5%上回る性能を示した。
  論文  参考訳（メタデータ） (2020-06-11T16:15:06Z)
• Automating App Review Response Generation [67.58267006314415]
  本稿では,レビューと回答の知識関係を学習することで,レビュー応答を自動的に生成する新しいアプローチRRGenを提案する。 58のアプリと309,246のレビュー-レスポンスペアの実験では、RRGenはBLEU-4の点で少なくとも67.4%のベースラインを上回っている。
  論文  参考訳（メタデータ） (2020-02-10T05:23:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。