ترجمه فارسی مقاله بازنویسی متن خصمانه برای سیستم‌های توصیه‌گر آگاه از متن

چکیده

Text-aware recommender systems incorporate rich textual features, such as titles and descriptions, to generate item recommendations for users. The use of textual features helps mitigate cold-start problems, and thus, such recommender systems have attracted increased attention. However, we argue that the dependency on item descriptions makes the recommender system vulnerable to manipulation by adversarial sellers on e-commerce platforms. In this paper, we explore the possibility of such manipulation by proposing a new text rewriting framework to attack text-aware recommender systems. We show that the rewriting attack can be exploited by sellers to unfairly uprank their products, even though the adversarially rewritten descriptions are perceived as realistic by human evaluators. Methodologically, we investigate two different variations to carry out text rewriting attacks: (1) two-phase fine-tuning for greater attack performance, and (2) in-context learning for higher text rewriting quality. Experiments spanning 3 different datasets and 4 existing approaches demonstrate that recommender systems exhibit vulnerability against the proposed text rewriting attack. Our work adds to the existing literature around the robustness of recommender systems, while highlighting a new dimension of vulnerability in the age of large-scale automated text generation.

چکیده به فارسی (ترجمه ماشینی)

سیستم های پیشنهادی آگاه از متن از ویژگی های متنی غنی مانند عناوین و توضیحات برای تولید توصیه های موردی برای کاربران استفاده می کنند.استفاده از ویژگی های متنی به کاهش مشکلات شروع سرما کمک می کند و بنابراین ، چنین سیستم های پیشنهادی توجه بیشتری را به خود جلب کرده اند.با این حال ، ما استدلال می کنیم که وابستگی به توضیحات مورد باعث می شود سیستم پیشنهادی در برابر دستکاری توسط فروشندگان متضاد در سیستم عامل های تجارت الکترونیکی آسیب پذیر باشد.در این مقاله ، ما با پیشنهاد یک چارچوب جدید بازنویسی متن برای حمله به سیستم های پیشنهادی آگاه متن ، امکان چنین دستکاری را بررسی می کنیم.ما نشان می دهیم که حمله بازنویسی می تواند توسط فروشندگان مورد سوء استفاده قرار گیرد تا محصولات خود را ناعادلانه بچرخانند ، حتی اگر توضیحات بازنویسی مخالف توسط ارزیابان انسانی به عنوان واقع بینانه تلقی شوند.از نظر روش شناختی ، ما دو تغییر مختلف را برای انجام حملات بازنویسی متن بررسی می کنیم: (1) تنظیم دقیق دو فاز برای عملکرد بیشتر حمله ، و (2) یادگیری درون متن برای کیفیت بازنویسی متن بالاتر.آزمایشات شامل 3 مجموعه داده مختلف و 4 رویکرد موجود نشان می دهد که سیستم های پیشنهادی آسیب پذیری را در برابر حمله بازنویسی متن پیشنهادی نشان می دهند.کار ما به ادبیات موجود پیرامون استحکام سیستم های توصیه کننده می افزاید ، ضمن اینکه بعد جدیدی از آسیب پذیری را در عصر تولید خودکار متن در مقیاس بزرگ برجسته می کند.