随着计算机算力的提升、存储技术的发展以及互联网的普及,机器学习模型越来越多地受到人们的关注。大量的研究成果已经在现实生活中为我们带来了便捷。作为一项数据驱动的技术,机器学习模型可以有效地挖掘海量数据背后潜在的关系。数据质量的好坏对模型最终的性能起到了根本的、决定性的作用。但是用来训练模型的数据有的直接从外部环境中搜集整理而来,比如直接来自互联网上的用户。这样就给攻击者提供了攻击机器学习模型训练数据集的可能。攻击者首先生成恶意的数据,再将其注入模型的训练数据集中使得经过训练的模型性能下降或者做出符合攻击者意愿的预测结果。数据污染攻击对模型构成了极大的威胁。研究一个模型在遭受数据污染攻击时的表现有助于我们衡量这个模型的可靠程度。本文中我们研究在推荐系统领域广泛应用的多视图张量分解机模型,探究针对该模型的数据污染攻击算法,观察使用攻击算法生成的污染数据训练后的模型性能的变化情况。在推荐系统领域,人们可以获取到的数据多种多样,比如用户画像、商品的信息等。多视图张量分解机模型可以很好地处理这类类型多样的数据。本文中我们介绍目前常见的几种多视图分解机模型,归纳总结这几种模型的特点。随后我们提出一种更加泛化的多视图张量分解机模型的表达形式,通过添加特殊的限制条件,可以将此模型转化为常见的几种模型。我们针对一般化的模型设计数据污染攻击的算法,这样可以使得攻击算法更具泛化能力。考虑到数据污染攻击实际上是一个对抗博弈的过程:攻击者希望通过注入污染数据使得模型的性能受到影响;防御者希望尽可能地过滤污染数据使得模型获得良好的性能。我们对这个博弈过程进行建模,将其描述为一个双层优化的问题。由于该问题是NP-hard,所以我们用迭代式的方式寻找近似解。在每轮迭代中,我们计算模型在测试集上的损失函数对于污染数据的梯度,随后利用梯度上升的方式更新污染数据。更新的污染数据会被再次注入模型的训练集。考虑到实际中防御策略的存在,位于防御策略定义的数据可行域之外的污染样本会被投影至数据可行域范围内。我们选择两个真实在线网站的数据集:Movie Lens影评数据集和亚马逊分类商品评价数据集来设计实验。通过实验我们验证了本文提出的数据污染攻击算法的有效性。