协同过滤系统很大程度上缓解了网络上“信息过载”的问题,然而由于系统的易攻击性,使得恶意用户向其中注入伪造用户记录成为正常用户近邻,以此来操纵该系统达到商业竞争的目的。这种行为导致推荐结果产生偏差,推荐服务不断下降,用户对推荐系统的信任得不到保障,因此,如何检测托攻击用户成为亟待解决的问题。为了控制推荐攻击所带来的影响,国内外研究学者采用了很多检测方法进行检测,其围绕的核心问题是如何提高检测的性能。本文针对这一问题,从有监督学习和无监督学习两条设计思路出发,对协同过滤系统中的托攻击检测算法做了深入研究。首先,针对有监督检测方法在检测托攻击时准确率不高的问题,提出一种基于项目流行度和新颖度特征的托攻击检测算法。该算法根据真实概貌和攻击概貌在选择评分项目方式上不同,从流行度和新颖度角度,提出有效区分正常用户和攻击用户的特征,在此基础上提出一种集成检测框架,通过Boosting提升技术产生多个差异较大的基分类器,进而融合带有权重的基分类器的预测值得到最终的检测结果。其次,针对无监督检测方法在检测托攻击时准确率不高的问题,提出一种基于多特征混合决策的托攻击检测算法。该算法通过选取多个特征运用K-means和阈值判断两种检测算法分别确定用户类簇,利用用户支持度统一用户类簇,在此基础上,利用协同评分偏离度,确定攻击项目,进而过滤误判的真实概貌,最终得到检测结果。最后,针对两种检测算法分别设计了相应的实验,并进行对比实验的结果分析,验证了本文所提算法的有效性。