随着网络技术的不断发展和完善,我们可以在各种电商平台上购买自己中意的产品。在购买产品时,推荐系统因其优秀的信息过滤功能逐渐成为人们依赖的工具。然而,一些不法商家为了商业利益,雇佣灰色组织,有目的性得对某些产品进行虚假评分,给予人们错误的商品推荐。这些灰色组织因利益需求,活跃在各个电商平台中,对推荐系统的安全造成了巨大的威胁。因此,如何有效地检测出这些组织,是推荐系统中急需解决的安全问题。目前的检测算法主要是在单一的数据源中进行研究,忽略了用户在多个数据源中的内在联系,针对这一问题,本文通过分析同一用户在不同数据源中的行为,提出两个基于多数据源的群组攻击检测算法。首先,针对多源用户在不同数据源中的行为差异提出一种基于多源用户行为差异的群组攻击检测算法。该算法首先在单个数据源中,融合用户对项目的评分、时间信息建立用户关系图,利用网络表示学习模型SDNE自动学习用户潜在特征,并采用聚类方法将行为相似的用户划分到一个群组中,利用群组检测指标计算群组可疑度,最后利用多源用户在不同数据源中的行为差异确定群组攻击用户。然后,针对上一个算法只是简单利用多源用户在不同数据源中的表现差异和需要多源用户的先验知识的局限,提出一种基于多源用户特征融合的群组攻击检测算法。该算法对推荐系统中用户间的隐式社交关系进行了探讨,并利用生成对抗网络和少量多源用户信息学习不同数据源之间的映射关系,最后利用学习到的映射关系融合用户多源特征检测攻击群组。最后,在以Netflix和Movielens1M为基础生成的多源合成数据集上进行检测,检测结果表明,本文提出的算法可以使单个数据源上的检测结果进一步优化,本文研究的方向有一定的可行性和未来发展的可能性。