推荐系统是当前各个厂商和平台针对信息过载问题提出并已经大量应用的一种解决方法,为用户提供高质量的个性化推荐。但是由于推荐系统具有天然的开放性的特点,推荐系统很容易受到恶意用户的攻击。其中,群组托攻击作为托攻击的一种形式,由于其能够在一段时间内集中针对某一个目标项目进行攻击,导致对其他用户的推荐结果产生比较大的影响,使得用户对推荐系统的可信度急剧降低。所以,如何有效的针对基于协同过滤推荐系统的群组托攻击进行检测是当前迫切需要解决的问题。本文分析了群组托攻击的特点,在此基础上针对协同过滤系统中的群组托攻击检测进行探究。首先,根据评分轨迹研究用户与用户之间的关系,其中包括攻击群组中异常用户与异常用户的关系,本文提出了一种基于图结构的群组托攻击检测方法。该算法针对群组托攻击的特点,对数据集中的不同时间段中的用户评分数据进行分析,构建用户-用户权重图,利用Node2Vec构建用户向量。然后根据在不同时间段中用户与用户之间的关系,重构用户向量。最后利用长短时记忆网络对不同时间段中用户的不同表现,检测群组托攻击用户。其次,针对计算不同时间段内用户与用户之间的关系需要耗费大量时间,以及实际情况中缺乏大量标注数据的问题,本文提出一种基于目标项目和用户向量的群组托攻击检测方法。首先根据数据集中所有的评分项目中的评分行为,计算每个评分项目的可疑度,提取可疑的项目集合。然后根据在这些评分项目下进行评分的用户评分数据,构建用户-用户权重图,进行用户嵌入,得到用户向量;根据用户与用户之间的关系重构用户向量。最后利用K-means算法对重构的用户向量进行聚类,得到不同的簇群。根据簇群的可疑度,最终得到群组托攻击用户。最后,在Netflix数据集和Amazon数据集上对上述提出的方法分别进行实验,并于现阶段提出的相关群组托攻击检测方法进行比较,验证本文提出的方法的有效性。