协同过滤推荐系统由于其个性化的推荐被广泛应用于电子商务领域,有效缓解了网络“信息超载”问题。但是一些攻击者出于利益向系统注入伪造的虚假用户评分,影响推荐结果,达到恶意竞争的目的。这种行为严重威胁推荐系统的安全性,并降低用户对推荐系统的信任度。为此保障推荐系统的安全性,为用户提供可靠真实的推荐结果成为国内外学者研究的热点。本文针对这一问题,从无监督角度出发提出了两种托攻击检测算法。首先,针对现有无监督检测方法在检测托攻击时需要满足一定先验知识的局限,从用户行为角度出发,提出一种基于隐马尔科夫模型的无监督攻击检测方法。通过对用户的历史评分数据进行分析,从用户评分习惯的差异性对攻击用户进行检测。该检测方法利用隐马尔科夫模型获取用户的偏好序列,并通过分析每个用户的偏好序列提出用户匹配度计算方法,进一步通过分析真实用户与虚假用户评分行为的差异性计算用户可疑度,并利用层次聚类方法对用户聚类,得到攻击用户集合。其次,针对无监督攻击检测中由于存在对真实用户误判,影响推荐精度的问题,设计了一种基于改进K均值聚类和项目流行度的托攻击检测方法。该算法通过对用户的评分行为进行了分析,从聚类角度出发,试图在传统的K均值聚类算法上进行改进,使改进后的K均值聚类算法能够将大部分攻击用户聚集在一起,并尽可能少的聚集真实用户,减少托攻击对推荐系统造成的影响。最后,针对上述两种托攻击检测算法在MovieLens数据集进行了实验,并与现有的托攻击检测算法作对比分析,实验结果验证了所提方法的有效性。