Dijital platformlarda öneri sistemleri günlük yaşamımızın ayrılmaz parçası haline gelirken, bu sistemleri hedef alan sahte siparişler ciddi bir tehdit oluşturuyor. Sahte siparişler, tıklama çiftlikleri, bağlam dışı değiştirmeler ve sıralı manipülasyonlar yoluyla öneri sonuçlarını yanıltmaya çalışıyor.
Geleneksel saldırı yöntemlerinden farklı olarak, sahte siparişler gerçek kullanıcı dizilerine gömülü halde çalışıyor ve kullanıcı tercihlerini bozarak belirli ürünlerin maruz kalma oranlarını manipüle ediyor. Bu durum, kullanıcıların otantik ilgi alanlarını koruma ve yanıltıcı bilgileri temizleme ihtiyacını ortaya çıkarıyor.
Araştırmacılar, sahte siparişlerin mutlak anlamda zararlı olmadığını keşfetti. Belirli durumlarda, kısmi sahte siparişlerin veri zenginleştirme etkisi yaratabileceğini tespit ettiler. Bu içgörüden hareketle, DITaR (Çift Görünüm Tanımlama ve Hedefli Düzeltme) yöntemini geliştirdiler.
DITaR'ın çalışma prensibi, işbirlikçi ve anlamsal görünümlerden farklılaştırılmış temsiller elde etmeye dayanıyor. Sistem, tespit edilen şüpheli sahte siparişleri filtreler ve gerçekten zararlı olanları gradyan yükselişi ile hedefli düzeltme için seçer. Bu yaklaşım, sahte siparişlerdeki faydalı bilgilerin kaldırılmamasını sağlarken önyargı kalıntılarını önlüyor.
Yöntemin en önemli avantajlarından biri, orijinal veri hacmini ve sıra yapısını koruyarak sistem performansını ve güvenilirliğini koruması. Üç farklı veri seti üzerinde yapılan kapsamlı deneyler, DITaR'ın mevcut teknolojilerden üstün performans sergilediğini kanıtladı.