推荐系统也称个性化推荐系统,协同过滤推荐、基于内容的推荐和组合推荐是主流的推荐算法。协同过滤推荐系统的开放性和交互特性在保证了推荐结果准确性的同时也使其容易受到外部攻击的影响。攻击用户以非法牟利为目的,通过注入虚假的用户概貌信息,试图改变系统的推荐结果,这类攻击称之为托攻击或概貌注入攻击。研究表明伪造的用户概貌文件很容易操纵协同过滤推荐结果,进而导致用户对推荐结果满意度降低。托攻击的检测已成为推荐系统领域研究的热点问题。本文主要验证了托攻击用户对推荐系统推荐结果的影响,并对协同过滤推荐系统中虚假评分用户,即托攻击用户的识别问题进行了研究。首先,本文实验验证了常见的托攻击模型对基于用户和基于项目的协同过滤推荐结果准确性的影响。其次,针对现有的托攻击分类属性对托攻击用户和正常用户区分度不高的问题,提出用户流行度均值分类特征有效区分真实用户概貌和虚假用户概貌;提出项目均值偏差特征有效区分普通项目和攻击项目,有效检测推荐系统中被攻击的目标项目集合;针对现有的有监督攻击检测算法检测率不高的问题,本文引入区分系数概念,采用动态特征选取的方式,设计了一种减少误判的基于动态特征选择的托攻击检测框架;该框架通过分类属性的动态选择和检测结果的进一步过滤审查,可以有效提高系统中托攻击用户的检测率。最后,针对推荐系统中存在的自然噪声和更复杂的托攻击类型,本文通过引进近邻算子和矩阵补全技术,设计了一种融合先验知识和L2,1范数正则化的矩阵补全模型,利用基于线性Bregman迭代的优化算法求解上述模型,提出了基于L2,1范数正则化矩阵补全的托攻击检测算法。为了验证提出的两种托攻击检测算法的有效性,本文选用稀疏度不同的数据集对托攻击检测算法进行了实验验证,并与其他算法进行了对比。实验结果表明,本文提出的基于动态特征选择的托攻击检测算法可以有效检测简单类型的托攻击概貌模型,检测效果明显优于对比算法;提出的基于L2,1范数正则化矩阵补全的托攻击检测算法不仅可以有效检测各种托攻击类型,而且可以有效检测系统中存在的更为复杂的托攻击模型和自然噪声。