Badinterpreter: Backdoor attack on LLM-based interpretable recommendation

Bing Wang

doi:10.1007/s00530-026-02321-x

Badinterpreter: Backdoor attack on LLM-based interpretable recommendation

2026-05-06

0

PRE

AI

钱胜胜 (Shengsheng Qian) *

DOI：10.1007/s00530-026-02321-x

原文链接

原文求助

摘要

En 中文

大型语言模型（LLMs）推动了各类模型和下游应用的发展，通过增强其理解和生成可解释推理的能力，推动了LLM代理的进步。近年来，LLM代理的安全性已成为备受关注的研究课题，其中后门攻击通过注入隐蔽后门来操纵输出，显示出潜在的破坏力。我们的研究发现，针对推荐任务微调的LLM代理极易受到难以察觉的后门嵌入，即使在需要推荐解释的情况下也是如此。我们提出BadInterpreter，一种针对基于LLM的可解释推荐系统的简单而有效的后门攻击方法，使攻击者能够在不改变真实标签的情况下操纵产品推荐和解释。在可解释推荐中，LLM代理被要求提供产品推荐的理由以满足用户需求。我们提出了一种新颖的基于LLM的流水线来构建污染的微调数据，其中代理被期望推荐目标产品并给出合理的推荐解释。在BadInterpreter攻击下，LLM代理在动态交互环境中优先推荐信息中包含攻击者设计的触发器的目标产品，并附有令人信服的解释。我们的攻击在两个基准电子商务数据集和四种不同LLM上持续实现了超过94%的稳健攻击成功率。尽管后门攻击在自然语言处理模型中已被广泛研究，但其在基于LLM的可解释推荐系统这一特定背景下的应用和影响仍 largely uncharted territory。据我们所知，本研究首次在这一关键领域中探索了此类漏洞。我们的工作表明，在不信任的LLM上构建基于LLM的推荐系统构成了严重威胁。

Keyword:

Interpretable recommendation

Backdoor attacks

LLM agent

Badinterpreter: Backdoor attack on LLM-based interpretable recommendation

摘要

期刊

机构

引用论文