随着数字化广告规模持续扩张，推荐系统面临虚假用户攻击导致推荐失真，以及数据稀疏性制约投放精准度两大挑战。传统方法依赖人工规则，难以应对复杂攻击模式。本项目聚焦协同过滤场景下的女巫攻击防御，构建智能检测体系，通过卷积神经网络学习用户行为深层特征，精准识别伪造评分与异常交互。本项目创新性地提出动态特征提取框架，自动学习用户评分的局部与全局关联，突破人工特征工程局限。项目成果表明，在MovieLens与Netflix数据集验证中，所提出模型对混合攻击的检测F值达0.89（较传统PCA方法提升23.6%），长尾攻击覆盖率显著提升，为个性化推荐系统构建底层安全防线，推动数字营销生态的健康发展。

网络结构

用户画像模型构建

个性化广告推荐