在推荐系统中,用户评分数据不仅可以帮助用户自身获得优质的服务,还可以为系统中兴趣相近的用户群体提供有价值的参考。系统中评分越高的产品,被推荐给相似用户群体的概率越大。不法商家基于自身利益,利用灰色产业,有组织、有预谋的向系统注入大量的虚假用户概貌,以提高自身产品的推荐概率或打压竞争对手的产品,严重影响系统的服务质量。为检测这些虚假概貌,国内外研究学者进行了大量的研究并取得了不错的检测结果。但是,随着攻击策略的不断完善,这些检测方法由于存在数据来源单一,特征信息不足的问题,导致检测性能易受攻击模型演化的制约,不能有效区分正常用户和攻击用户之间的全部差异。针对这些问题,本文提出两种基于多视角学习的群体欺诈攻击检测方法。首先,针对现有检测方法存在数据来源单一,特征信息不足的问题,本文提出一种基于极值理论和三元关系的群体欺诈攻击检测方法。该检测方法根据项目评分时间序列计算用户-项目关联度,使用调整的余弦相似度构建每个数据源的用户关系图;利用基于极值理论的节点自适应多图融合方法得到统一用户关系矩阵和三元用户关系矩阵;使用贪婪算法迭代选取群体密度最大的群体,生成候选群体;通过群体密度和多源群体项目可疑度计算每个群体的可疑度,利用层次聚类算法得到攻击群体。其次,针对现有检测方法需要人工特征工程识别攻击群体的缺陷,本文提出一种基于多视角聚类的群体欺诈攻击检测方法。该检测方法根据项目评分时间序列和项目评分等级时间序列计算用户-项目关联度,使用调整的余弦相似度构建每个数据源的用户关联图矩阵;利用设计的自动获取异常群体数目的多视角融合模型,融合不同数据源中提取的用户关联图矩阵,生成包含候选群体和攻击群体信息的统一图矩阵;根据群体规模得到攻击群体。最后在Epinions合成数据集和Amazon真实数据集上进行实验表明,本文提出的检测方法在单源和多源检测中均优于现有的四种检测方法。