基于重要性最大化与社区划分的图神经网络推荐系统对抗攻击方法

doi:10.16381/j.cnki.issn1003-207x.2022.0170

中国管理科学 ›› 2025, Vol. 33 ›› Issue (2): 95-104.doi: 10.16381/j.cnki.issn1003-207x.2022.0170cstr: 32146.14.j.cnki.issn1003-207x.2022.0170

基于重要性最大化与社区划分的图神经网络推荐系统对抗攻击方法

柴一栋¹^,², 刘昊鑫¹^,², 姜元春¹^,²^,⁴(), 刘业政¹^,³^,⁴

^1.合肥工业大学管理学院，安徽合肥 230009
^2.网络空间行为与管理安徽省哲学社会科学;重点实验室，安徽合肥 230009
^3.过程优化与智能决策教育部重点实验室，安徽合肥 230009
^4.大数据流通与交易技术国家工程实验室，上海 201203

收稿日期:2022-01-24 修回日期:2022-07-03 出版日期:2025-02-25 发布日期:2025-03-06
通讯作者: 姜元春 E-mail:ycjiang@hfut.edu.cn
基金资助:
国家自然科学专项基金项目(72342011);国家自然科学基金优青项目(72322019);国家自然科学基金面上项目(72171071);国家自然科学基金重点项(91846201);国家自然科学基金青年项目(72101079)

Graph Neural Network Recommendation System Adversarial Attack Method Based on Importance Maximization and Community Partition

Yidong Chai¹^,², Haoxin Liu¹^,², Yuanchun Jiang¹^,²^,⁴(), Yezheng Liu¹^,³^,⁴

^1.School of management，Hefei University of technology，Hefei 230009，China
^2.Key Laboratory of Philosophy and Social Sciences for Cyberspace Behaviour and Management，Hefei 230009，China
^3.Key Laboratory of Process Optimization and Intelligent Decision-making，Ministry of Education，Hefei 230009，China
^4.National Engineering Laboratory for Big Data Distribution and Exchange Technologies，Shanghai 201203，China

Received:2022-01-24 Revised:2022-07-03 Online:2025-02-25 Published:2025-03-06
Contact: Yuanchun Jiang E-mail:ycjiang@hfut.edu.cn

摘要/Abstract

摘要：

推荐系统的安全性是目前社会关注的热点问题。由于对抗攻击能够评估并提升推荐系统对抗鲁棒性，推荐系统的对抗攻击成为重要的研究问题。针对图卷积神经网络在推荐系统的广泛使用，本文提出一种面向图神经网络推荐系统的对抗攻击方法。该方法基于图结构干扰的思想，构建对抗攻击的优化模型。然而，该优化模型难以直接求解，因此提出了基于重要性最大化的间接求解方法。在此基础上，针对大规模用户-物品异质图，本文进一步提出社区划分的攻击策略，通过考虑社区规模进一步提升节点重要性评估的效果与效率。基于真实数据的实验表明，本文所提方法具有更好的对抗攻击效果，能够在不改变图结构的同时，有效规避现有推荐系统防御策略。所提方法为设计对抗鲁棒性更强的推荐系统提供重要依据。

Abstract:

The security of recommendation system is a hot topic in society. Since adversarial attacks can evaluate and improve the adversarial robustness of recommendation systems， adversarial attacks of recommendation systems have become an important research issue. In view of the widespread use of graph convolutional neural network in recommendation system， we propose an adversarial attack method for graph neural network recommendation system. Based on the idea of structure perturbation， an optimization model is constructed for adversarial attacks. However， the optimization model is difficult to solve directly， so an indirect method based on importance maximization is proposed. On this basis， for the large-scale user-item heterogeneous graph， the attack strategy of community division is proposed， and the effect and efficiency of node importance assessment are improved by considering the community size. Experiments based on the real public dataset show that the proposed method has a better adversarial attack result， and can effectively avoid the existing defense strategy of recommendation system without changing the heterogeneous graph structure of user items. The proposed method provides an important basis for designing a more robust recommendation system.

Key words: recommendation system, graph neural network, adversarial attack, importance maximization, community partition

中图分类号:

C931.6

柴一栋, 刘昊鑫, 姜元春, 刘业政. 基于重要性最大化与社区划分的图神经网络推荐系统对抗攻击方法[J]. 中国管理科学, 2025, 33(2): 95-104.

Yidong Chai, Haoxin Liu, Yuanchun Jiang, Yezheng Liu. Graph Neural Network Recommendation System Adversarial Attack Method Based on Importance Maximization and Community Partition[J]. Chinese Journal of Management Science, 2025, 33(2): 95-104.

图/表 10

表1

符号定义"

符号	符号定义
$U$	用户集
$I$	物品集
$U F a l$	虚假用户集
$A'$	添加虚假用户后的用户-物品交互异质图
$A *$	执行IMCP形成的用户-物品交互异质图
$h U i *$	推荐系统受到攻击后，用户i的最终隐特征表示
$h I j *$	推荐系统受到攻击后，物品j的最终隐特征表示
S	最终重要性物品集
$h U i$	推荐系统受到攻击前，用户i的最终隐特征表示
$h I j$	推荐系统受到攻击前，物品j的最终隐特征表示
$f ()$	图神经网络推荐模型

表1

图1

图2

表2

表3

图3

表4

图4

表5

表6

参考文献 33

1	Bouayad L， Padmanabhan B， Chari K. Can recommender systems reduce healthcare costs？ The role of time pressure and cost transparency in prescription choice［J］. MIS Quarterly， 2020， 44（4）：1859-1902.
2	梁昌勇，冷亚军，王勇胜，等. 电子商务推荐系统中群体用户推荐问题研究［J］. 中国管理科学， 2013， 21（3）：153-158.
	Liang C H， Leng Y J， Wang Y S. Research on group recommendation in E-commerce recommender systems［J］. Chinese Journal of Management Science， 2013， 21（3）：153-158.
3	黄立威，江碧涛，吕守业，等. 基于深度学习的推荐系统研究综述［J］. 计算机学报， 2018， 41（7）： 1619-1647.
	Huang L W， Jiang B T， Lv S Y， et al. Survey on deep learning based recommender systems ［J］. Chinese Journal of Computers， 2018， 41（7）： 1619-1647.
4	Samtani S， Chai Y， Chen H. Linking exploits from the dark web to known vulnerabilities for proactive cyber threat intelligence： An attention-based deep structured semantic model［J］. MIS Quarterly， 2022， 46（2）： 911-946.
5	张林鹏，魏一鸣. 电子商务中的安全问题及法律保护［J］.中国管理科学， 2000，8（S1）： 740-747.
	Zhang L P， Wei Y M. The security of legal protection of electronic commerce［J］. Chinese Journal of Management Science， 2000，8（S1）： 740-747.
6	Yang Z， Sun Q， Zhang Y， et al. Identification of malicio us injection attacks in dense rating and Co-visitation behaviors［J］. IEEE Transactions on Information Forensics and Security， 2020， 16： 537-552.
7	胡春华，邓奥，童小芹，等. 社交电商中融合信任和声誉的图神经网络推荐研究［J］. 中国管理科学， 2021， 29（10）： 202-212.
	Hu C H， Deng A， Tong X Q， et al. A graph neural network recommendation study combining trust and reputation in social E- commerce［J］. Chinese Journal of Management Science， 2021， 29（10）： 202-212.
8	伍之昂，王有权，曹杰. 推荐系统托攻击模型与检测技术［J］. 科学通报， 2014， 59（7）： 551-560.
	Wu Z A， Wang Y Q， Cao J. A survey on shilling attack models and detection techniques for recommender systems［J］. Chinese Science Bulletin， 2014， 59（7）： 551-560.
9	Zügner D， Akbarnejad A， Günnemann S. Adversarial attacks on neural networks for graph data［C］//Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining， London， United Kingdom， August 19-23， ACM， 2018： 2847-2856.
10	Ma J， Ding S， Mei Q. Towards more practical adversarial attacks on graph neural networks［J］. Advances in Neural Information Processing Systems， 2020， 33： 4756-4766.
11	Takahashi T. Indirect adversarial attacks via poisoning neighbors for graph convolutional networks［C］// Proceedings of the 6th IEEE International Conference on Big Data， Los Angeles， USA， December 9-12， IEEE， 2019： 1395-1400.
12	Li J， Xie T， Liang C， et al. Adversarial attack on large scale graph［J］. IEEE Transactions on Knowledge and Data Engineering， 2021， 35（1）： 82-95.
13	Chang H， Rong Y， Xu T， et al. A restricted Black-box adversarial framework towards attacking graph embedding models［C］// Proceedings of the 34th AAAI Conference on Artificial Intelligence， New York， USA， February 7-12 ， AAAI Press， 2020： 3389-3396.
14	Sun Y， Wang S， Tang X， et al. Non-target-specific node injection attacks on graph neural networks： A hierarchical reinforcement learning approach［C］// Proceedings of the 29th International Conference of World Wide Web， Taipei， China， April 20-24， ACM/IW3C2， 2020： 673-683.
15	Wang J， Luo M， Suya F， et al. Scalable attack on graph data by injecting vicious nodes［J］. Data Mining and Knowledge Discovery， 2020， 34： 1363-1389.
16	Williams C A， Mobasher B， Burke R. Defending recommender systems： Detection of profile injection attacks［J］. Service Oriented Computing & Applications， 2007， 1（3）：157-170.
17	单晓菲，米传民，马静.基于选择性随机游走的协同过滤推荐算法研究［J］. 中国管理科学， 2014， 22（S1）： 73-78.
	Shan X F， Mi C M， Ma J. Cokkaborative filtering algorihm based on random walk with choice［J］. Chinese Journal of Management Science， 2014， 22（S1）： 73-78.
18	陈国青，曾大军，卫强，等.大数据环境下的决策范式转变与使能创新［J］.管理世界， 2020， 36（2）： 95-105.
	Cheng G Q， Zeng D J， Wei Q， et al. Transitions of Decision-making paradigms and enabled innovations in the context of big data［J］. Journal of Management World， 2020， 36（2）： 95-105.
19	Xu K， Li C， Tian Y， et al. Representation learning on graphs with jumping knowledge networks［C］// Proceedings of the 35th International Conference on Machine Learning， Sweden， Stockholm， July 10-15 ， PMLR， 2018： 5453-5462.
20	Gabel S， Timoshenko A. Product choice with large assortmets： A scalable deep-learning model［J］. Management Science， 2022， 68（3）： 1808-1827.
21	王静红，梁丽娜，李昊康，等. 基于注意力网络特征的社区发现算法［J］. 山东大学学报（理学版）， 2021， 56（9）： 1-12+20.
	Wang J H， Liang L N， Li H K， et al. Community discovery algorithm based on attention network feature［J］. Journal of Shandong University（Natural Science）， 2021， 56（9）： 1-12+20.
22	李永立，罗鹏，张书瑞. 基于决策分析的社交网络链路预测方法［J］. 管理科学学报， 2017， 20（1）： 64-74.
	Li Y L， Luo P， Zhang S R. Link prediction in social networks based on decision analysis［J］. Journal of Management Sciences in China， 2017， 20（1）： 64-74.
23	Raghavan U N， Albert R， Kumara S. Near linear time algorithm to etect community structures in Large-scale networks［J］. Physical Review E， 2007， 76（3）：1-11.
24	孟祥武，梁弼，杜雨露，等. 基于位置的移动推荐系统效用评价研究［J］. 计算机学报， 2019， 42（12）： 2695-2721.
	Meng X W， Liang B， Du Y L， et al. A survey of evaluation of Location-based mobile recommender systems［J］. Chinese Journal of Computers， 2019， 42（12）： 2695-2721.
25	李琳，刘锦行，孟祥福，等. 融合评分矩阵与评论文本的商品推荐模型［J］. 计算机学报， 2018， 41（7）： 1559-1573.
	Li L， Liu J X， Meng X F， et al. Reconnebdation models by exploiting rating matrix and review text［J］. Chinese Journal of Computers， 2018， 41（7）： 1559-1573.
26	He J N， Xiao F， Liu H Y， et al. Mobile app recommendation： An involvement-enhanced approach［J］. MIS Quarterly， 2019， 43（3）： 827-850.
27	黄震华，张佳雯，田春岐，等. 基于排序学习的推荐算法研究综述［J］. 软件学报， 2016 （3）： 691-713.
	Huang Z H， Zhang J W， Tian C Q， et al. Survey on Learning-to-rank based recommendation algorithms［J］. Journal of Software， 2016 （3）： 691-713.
28	Bergr V D， Kipf T N， Welling M. Graph convolutional matrix completion ［C］ // Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining， London， United Kingdom， August 19-23， 2018.
29	Wang X， He X， Wang M， et al. Neural graph collaborative filtering［C］// Proceedings of the 42nd International ACM SIGIR Conference on Research and Development in Information Retrieval， Paris， France， July 21-25， ACM， 2019： 165-174.
30	李文涛，高旻，李华，等. 一种基于流行度分类特征的托攻击检测算法［J］. 自动化学报， 2015， 41（9）： 1563-1576.
	Li W T， Gao Y， Li H， et al. An shilling attack detection algorithm based on popularity degree features［J］. Acta Automatica Sinica， 2015， 41（9）： 1563-1576.
31	Gupta V， Chakraborty T. VIKING： Adversarial attack on network eEmbeddings via supervised network poisoning［C］// Proceedings of the 25th Pacific-Asia Conference on Knowledge Discovery and Data Mining. Delhi， India， May 11-14， Springer， 2021： 103-115.
32	Rong Y， Huang W， Xu T， et al. Dropedge： Towards deep graph convolutional networks on node classification ［C］// Proceedings of the 7th International Conference on Learning Representations， Addis Ababa， Ethiopia， April 25-30， 2020.
33	Bojchevski A， Shchur O， Zügner D， et al. Netgan： Generating graphs via random walks［C］// Proceedings of the 5th International Conference on Machine Learning， Vancouver， Canada， May 21-25 ， PMLR， 2018： 610-619.

数据集	用户数量	物品数量	交互数量	密度
Gowalla	29, 858	40, 981	1, 027, 370	0.00084
Yelp2018	8549	49306	380,275	0.00090
Amazon	8065	55564	268,523	0.00060

数据集	推荐系统	指标	不攻击	随机攻击	流行攻击	Viking	IMCP	下降率(%)
Gowalla	NGCF	Recall@20	0.15760	0.15630	0.14531	0.15657	0.13184	16.35
	NGCF	NDCG@20	0.22756	0.22628	0.20109	0.22729	0.17767	21.92
	GCMC	Recall@20	0.08594	0.08666	0.08005	0.08519	0.07251	21.44
	GCMC	NDCG@20	0.1094	0.11048	0.10147	0.10891	0.09342	22.38
Amazon	NGCF	Recall@20	0.03739	0.03024	0.029163	0.03198	0.02863	23.43
	NGCF	NDCG@20	0.08038	0.06878	0.063053	0.07018	0.06142	23.59
	GCMC	Recall@20	0.01693	0.01583	0.01347	0.01662	0.00926	45.3
	GCMC	NDCG@20	0.03437	0.03258	0.02854	0.03241	0.02025	41.08
Yelp2018	NGCF	Recall@20	0.04467	0.04348	0.04283	0.04431	0.04075	8.76
	NGCF	NDCG@20	0.10015	0.09834	0.093916	0.09806	0.08998	10.15
	GCMC	Recall@20	0.03461	0.03209	0.03021	0.03414	0.02597	24.96
	GCMC	NDCG@20	0.07232	0.06651	0.06574	0.06986	0.05555	23.19

数据集	方法	不考虑社区	考虑社区	下降率(%)
Gowalla	Recall@20	0.07551	0.07251	3.97
Gowalla	NDCG@20	0.09654	0.09342	3.23
Yelp2018	Recall@20	0.03082	0.02597	15.74
Yelp2018	NDCG@20	0.06485	0.05555	14.34
Amazon	Recall@20	0.01268	0.00926	26.97
Amazon	NDCG@20	0.02813	0.02025	28.01

数据集	指标	不攻击策略	IMCP	下降率（%）
Gowalla	Recall@20	0.15621	0.14378	7.96
Gowalla	NDCG@20	0.22512	0.19616	12.86
Amazon	Recall@20	0.03688	0.02944	20.17
Amazon	NDCG@20	0.08107	0.06306	22.22
Yelp2018	Recall@20	0.04335	0.04082	5.83
Yelp2018	NDCG@20	0.09722	0.09045	6.96

统计信息	环境	Gowalla	Amazon	Yelp2018
Gini coefficient	攻击前	0.473	0.268	0.472
Gini coefficient	攻击后	0.475	0.269	0.476
Distribution entropy	攻击前	0.723	0.723	0.676
Distribution entropy	攻击后	0.732	0.732	0.686
Power law index	攻击前	1	1.0003	1.0001
Power law index	攻击后	1	1.0003	1.0001
Max degree	攻击前	811	294	3706
Max degree	攻击后	811	294	3706
sparsity	攻击前	0.00084	0.00060	0.0009
sparsity	攻击后	0.00084	0.00064	0.00095
Average degree	攻击前	27.13	25.24	34.19
Average degree	攻击后	27.41	25.23	34.26

基于重要性最大化与社区划分的图神经网络推荐系统对抗攻击方法

Graph Neural Network Recommendation System Adversarial Attack Method Based on Importance Maximization and Community Partition

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 10

参考文献 33

相关文章 4

Metrics

本文评价

推荐阅读 0

[1]	黄晓宇,鲜征征,杨雄文,左文明. 基于“少数派报告”的协同过滤模型[J]. 中国管理科学, 2024, 32(3): 20-27.
[2]	胡春华,邓奥,童小芹,缪和,王宗润. 社交电商中融合信任和声誉的图神经网络推荐研究[J]. 中国管理科学, 2021, 29(10): 202-212.
[3]	胡春华, 赵慧, 童小芹, 任剑. 推荐系统对消费者网购支出的影响研究[J]. 中国管理科学, 2020, 28(6): 158-170.
[4]	梁昌勇, 冷亚军, 王勇胜, 戚筱雯. 电子商务推荐系统中群体用户推荐问题研究[J]. 中国管理科学, 2013, 21(3): 153-158.