恶意用户为了在短时间内创造更大的利润并且避免被攻击检测方法发现,开始进行合谋欺诈,这种合谋的群组攻击比传统的单用户攻击危害更大。但是现有检测方法多以检测单攻击用户为主,且存在忽略用户的隐性特征以及检测模型泛化能力不强的问题。为了克服这些局限性,本文提出基于图神经网络的推荐系统群组攻击检测算法。首先,针对现有算法忽略用户的隐性特征以及正负例样本不均衡导致检测效果不佳的问题,提出一种基于图卷积神经网络的推荐系统群组攻击检测算法。该算法利用用户历史评论数据构建包含用户、商品以及评论数据的异构图;并从多角度投影获得有关用户的节点序列,在此基础上利用Glo Ve学习用户隐性特征,生成用户特征向量,并使用聚类算法获得候选群组;之后利用图卷积神经网络模型根据候选群组的用户关系网络和用户特征向量对候选群组进行检测,获得最终的攻击群组。其次,为了解决之前检测方法需使用大量有标记数据作为检测的依据,以及候选群组的组间差异性低的问题,提出一种半监督图注意网络的推荐系统群组攻击检测算法。本算法利用上述聚类获得的候选群组;之后将用户局部结构特征融入模型,利用半监督图注意网络模型根据权重有偏的聚合用户特征和用户结构特征,迭代多次后获得候选群组的群组向量并进行检测。在检测模型训练过程中设计双模型引导的训练方式,充分利用有标记和未标记数据,获得最终的攻击群组。最后,对于本文所提的算法,在Amazon和Netflix数据集上进行实验,与现有算法的对比表明,本文所提的算法可以有效的检测群组攻击行为。