Abstract:
Avec l'expansion rapide de l'univers numérique et la diversification des services proposés sur le World Wide Web, les systèmes de recommandation sont devenus des outils incontournables pour accompagner les utilisateurs dans la navigation et la sélection de produits au sein de vastes catalogues. Toutefois, ces systèmes demeurent exposés à des menaces sérieuses, notamment les attaques de type shilling, où des utilisateurs malveillants injectent de faux profils dans le but de manipuler les recommandations à leur avantage. L'analyse des approches existantes met en évidence la nécessité de développer des stratégies de défense plus robustes, capables de protéger efficacement les systèmes de recommandation contre ces formes d'attaques sophistiquées.
Dans ce cadre, notre contribution consiste à proposer une approche de sécurité cognitive,
visant à détecter et à atténuer les attaques de type shilling de manière proactive et adaptative.
Les simulations réalisées ont permis de valider la pertinence de notre approche et ont démontré sa robustesse ainsi que sa capacité à renforcer la fiabilité des systèmes de recommandation face aux tentatives de manipulation.
