随着大数据时代的到来,信息过载问题越来越受到广泛关注。协同过滤推荐系统被认为是解决信息过载问题的有效途径之一,被广泛应用在电子商务推荐等众多领域。然而,协同过滤推荐系统由于本身所具有的开放性,极易遭受推荐攻击,在这种攻击中,恶意用户出于自身商业竞争等目的,人为地向系统注入大量虚假用户概貌,以达到改变推荐结果的目的。为了检测推荐攻击,研究人员提出了无监督、有监督及半监督三类检测方法,其中,半监督检测方法的优势在于可以利用推荐系统中存在的大量无标记用户概貌提升检测性能。本文在综合分析国内外研究现状的基础上,对推荐攻击半监督类检测方法进行了一定的研究和探讨,以进一步提升半监督检测方法的检测性能。首先,针对已有半监督检测方法准确率较低的问题,本文提出了一种基于半监督Fisher判别分析的推荐攻击检测方法RAD-SFDA来提升半监督检测方法的准确率。该方法首先利用Fisher判别分析技术结合有标签用户概貌确定投影向量;然后,利用主元分析技术从有标签和无标签用户概貌建立的数据集中提取全局结构;最后,综合上述由有标签用户概貌确定的判别结构和由所有用户概貌确定的全局结构确定最佳投影向量,在最终的投影空间中训练贝叶斯分类器,利用训练好的贝叶斯分类器对测试集中的数据进行检测。其次,虽然上述提出的方法RAD-SFDA一定程度上提升了半监督检测方法的准确率,但该方法的检测稳定性不高,主要表现在该方法对高填充规模、高攻击规模的推荐攻击的识别能力不高。针对该问题,本文提出了一种基于集成学习SemiBoost的半监督检测方法RAD-SemiBoost,该方法首先根据用户概貌间的相似度对无标签用户概貌赋予伪标签并进行采样操作,然后将采样后带有伪标签的无标签用户概貌和有标签用户概貌共同训练个体分类器,最后,利用集成学习思想,将多次迭代的个体分类器组合成最终的集成分类器,利用最终的分类器对推荐攻击进行检测。最后,在协同过滤推荐领域标准的Movie Lens 10M数据集上,将本文方法与相关工作进行了实验对比,验证了本文所提方法的有效性。