推荐系统作为现如今信息化时代的产物,帮助人们在没有确切需求或者数据量庞大时解决信息超载问题,为用户提供便携访问的高质量推荐。但是,由于推荐系统自身的脆弱性以及网络信息数据的繁杂性,推荐系统很容易遭到攻击,尤其是群组攻击对推荐系统造成很大的影响。这是因为攻击群组可以在比较短的时间内高效地改变推荐系统为用户提供的个性化推荐列表,进而影响整个推荐系统的可信度。因此,如何有效的检测出协同过滤推荐系统中的群组欺诈攻击是当前需要解决的重要问题。本文基于对群组攻击特性的分析,对协同过滤推荐系统的群组攻击检测进行了深入研究。首先,针对传统方法中无法有效区分目标项下攻击用户和正常用户的问题,本文提出一种基于目标项目分析的群组攻击检测算法。该算法首先通过对项目的评分数据进行分析,提出两个新的目标项目识别特征,并利用K-means聚类算法识别出可疑目标项。随后,按照时间间隔划分每个目标项的评分时间序列作为候选群组。最后,对于每个候选群组,定义一种新的群组可疑度计算方法,利用聚类算法检测出攻击群组。其次,针对现有同构网络无法全面表征用户行为的问题,本文提出一种基于用户嵌入的群组攻击检测方法。首先,通过分析用户的评分行为,构建用户-项目异构交互图,并利用Struc2Vec模型生成用户特征向量。然后,通过分析项目的评分情况,得到可疑目标项目。随后,对每个可疑目标项目下的用户,在向量空间中计算用户可疑度,并利用K-means算法对用户进行聚类,最终得到攻击群组。最后,在Amazon数据集和Netflix数据集上分别进行实验,并与现有的相关经典检测算法进行对比,验证了本文所提方法的有效性。