推荐系统通过分析用户偏好数据来产生推荐信息的特性,使得一些攻击用户或者团体为了自身经济利益,对目标商品进行虚假评分,干扰推荐系统的推荐结果。为了消除攻击用户对推荐系统的影响,国内外学者对攻击用户的行为进行分析,提出了一些识别攻击用户的方法。但是为了快速有效的达到攻击的目的,攻击用户通过联合形成群组攻击,群组攻击具有较强的隐蔽性且对推荐系统的威胁更大。现有的一些检测攻击用户的方法并不能很好的对群组攻击进行识别。针对这一问题,本文对群组攻击行为模式进行分析并提出两种群组攻击检测算法。首先,从用户评分行为的角度,分析真实用户和攻击用户之间的评分差异,提出一种基于用户近邻模型的群组攻击检测算法。在设定的时间窗口内,通过用户评分偏差来衡量两个用户的行为是否具有相似性。将模块性度量标准与分层聚类方法相结合实现用户聚类,并对聚类结果进行划分得到候选群组,依据相关群组特征指标,能够较为明显的发现攻击群组,提高推荐系统的安全性。其次,从用户评分时间和用户评分两个角度,对用户行为数据进行分析,设计一种基于改进分层聚类的群组攻击检测算法。该算法通过分析用户评分时间特征和用户评分特征,计算用户时间关联度和用户评分关联度,从而得到用户关联度。通过对用户关联度分析,构建用户近邻关系图,确定内部联系紧密的基簇,采用改进分层聚类的方式,得到候选群组。并利用相关群组特征指标计算群组可疑度,得到攻击群组。最后,针对上述两种群组攻击检测算法在Amazon和Yelp数据集上进行实验评价,并与现有的群组攻击检测算法进行对比,验证算法的有效性。