随着互联网技术的迅速发展,用户获取信息的方式逐渐增多,信息的易获取性给生活带来了便利,也带来了困扰。大量的信息冗余会影响用户对所需信息的选择,使用户难以找到自己感兴趣的项目,从而导致信息过载的问题。推荐系统正是为了解决这种问题而出现的新技术,推荐系统可以根据用户的喜好,为用户筛选他们所需的信息、物品、服务等。推荐算法是推荐系统的核心,其中协同过滤是目前应用最广泛的推荐算法,但由于其对用户外在行为信息的依赖性,一些恶意的攻击者为了谋求利益,会将一些虚假的用户信息注入到推荐系统中,以增加或减少某些项目的推荐度来达成自己的目的,这种行为被称为“托攻击”。托攻击严重影响着推荐系统推荐的效果和用户体验,降低了用户对推荐系统的信任度。如何应对托攻击已成为推荐系统领域中一个热门的研究课题。托攻击问题一般有两种应对方案,一种是在推荐系统进行推荐之前就进行攻击检测,另一种是让推荐算法本身具有抵御托攻击的鲁棒性。本文针对托攻击者的行为特点采用以上两种方案分别提出了一个攻击检测方法和一个鲁棒推荐的算法。本文的主要工作如下:(1)根据托攻击者通常是集中注入虚假用户数据的特点,以目标项目为切入点,提出了一种基于卡尔曼滤波的托攻击检测模型。通过统计分析该模型计算出的实际评分与预测评分之间的差异,找出潜在的异常时间段;然后从异常时间段中找到可疑的评分集,并根据这些评分的来源锁定可疑用户,生成检测结果。(2)考虑到托攻击者具有强烈目标性,本文提出了一种限制项目关注度的鲁棒推荐算法,对项目针对性较强的用户加以一定的限制,从而减轻托攻击对推荐系统的影响,在不影响推荐精度的前提下,提升系统的鲁棒性。(3)在公开数据集上,本文提出的两种方法与其他相关方法进行了对比实验分析。实验结果证明了本文提出的方法具有一定的优越性。