随着科学技术的发展,信息量迅猛增加,信息过载的问题也随之产生。推荐系统可以有效地解决信息过载问题,主动为用户推荐其可能需要的信息。基于协同过滤技术的推荐算法因其高效性被广泛使用。协同过滤技术的基本思想是“具有相似偏好的用户倾向于购买相同的产品”。托攻击者会利用这一特性向系统中注入虚假用户信息来影响系统的推荐结果,从而影响了系统的鲁棒性且降低了用户使用体验。因此,对托攻击检测方法的研究变得十分重要。由于没有公司开放出真实的数据,现存的大多数检测算法是使用人工构造的数据集来进行研究的。近期Yelp和Amazon开放了有标注的真实数据集,本文分析比较了构造数据集和真实数据集的差异。发现真实数据集中虚假用户和正常用户之间的统计概貌差异并不明显,现存的一些基于概貌特征的方法难以有效地检测出真实数据集中的虚假用户。因此本文通过利用“攻击者必然会以群体的方式攻击某几个目标项目来达到目的”这一本质特征,提出了一个高效的托攻击检测算法。并以检测技术为基础开发了托攻击检测系统。本文的主要工作如下:(1)阐述了托攻击检测算法的研究背景、研究意义和国内外研究现状。介绍了托攻击领域的相关技术,即攻击模型、现有的检测算法、混淆技术和评价标准。(2)比较了人工构造的数据集和真实数据集之间的差异。从用户的统计概貌特征和低维空间两个方面来分析两类数据之间的差异。(3)提出了一种通过共享的潜在用户向量,联合分解用户-项目矩阵和用户-用户共现矩阵的托攻击检测算法。攻击者以群组的方式大规模地攻击会引起用户项目二部图中出现局部簇现象,无论攻击模式怎样变化这一本质特征并不会发生变化。基于概貌特征的方法并不能捕获到这一结构信息。通过联合矩阵分解学习到的用户向量不仅包含了用户-项目的行为信息,也包含了结构信息,因此具有更好的检测效果。通过在构造数据集和两个真实数据集上的实验证明了提出方法的高效性和普适性。(4)结合软件开发技术开发了托攻击检测系统。该系统主要包含攻击注入功能和托攻击检测功能。注入攻击实现了现有的一些攻击模型,用户可以通过使用注入攻击功能人工构造攻击数据。托攻击检测功能是将已有的效果较好的检测算法实现,帮助用户检测出系统中的虚假用户。