在当前大数据时代,一般通过搜索引擎和推荐技术来应对海量数据的问题,其中推荐技术可以实现个性化和主动性的推荐效果。但是随着推荐技术的发展,托攻击(Shilling Attack)也随之产生,托攻击利用推荐技术自身存在的一些特性,伪装成正常用户,生成虚假的用户概貌信息。恶意用户通过注入一定数量的用户概貌信息,改变推荐结果,影响推荐系统的推荐性能,实现个人恶意目的。应对托攻击,主要有两种解决办法:一种是在推荐前,通过攻击检测过滤攻击;另一种是提高推荐算法的鲁棒性,降低托攻击的影响。而提高推荐算法的推荐性能有很多种方式,例如优秀的新推荐算法、原算法的改进、多重迭代、多种推荐算法的融合等。在应对托攻击方面,本文采用第一种方案攻击检测,在推荐前先过滤攻击。在提高推荐精度方面,本文利用矩阵分解的思想,使用隐语义模型(Latent Factor Model),不断优化参数提高推荐性能。综合两方面,提出了本文鲁棒性算法,旨在保证推荐精度的前提下,提高系统的鲁棒性。攻击检测保证鲁棒性,矩阵分解推荐算法保证推荐精度。具体研究内容如下:(1)对于攻击检测方面,提出基于SVM-KNN半监督攻击检测分类器,联合支持向量机(Support Vector Machine,缩写为SVM)和K最近邻(K-NearestNeighbor,缩写为KNN)对攻击进行检测。首先SVM作为基本分类器进行分类,针对SVM分界面附件点分类效果不佳,引入KNN分类器对分界面附近点进行分类以提高检测精度。对于KNN,改进了相似度计算公式,提高了检测性能。最后利用半监督思想,同时利用标记数据和未标记数据,提高检测精度。(2)对于推荐算法方面,提出了基于矩阵分解的推荐算法,使用隐语义模型,优化参数,并通过随机梯度下降法不断迭代,进一步提高推荐精度。(3)将攻击检测算法和矩阵分解推荐算法联合使用,首先通过攻击检测算法过滤掉托攻击,再通过矩阵分解推荐算法进行推荐。在Movielens数据集上进行了仿真实验,实现了期望目标,在保证推荐性能的情况下,提高了系统的鲁棒性。