推荐系统的开放性给推荐系统平台带来了巨大的挑战,比如某些有预谋的组织会进行针对性的攻击行动,通过向推荐系统输入对攻击者有利的评分数据来让推荐结果产生偏差,满足自己的利益而破坏推荐系统。攻击用户使用不同的组织策略从而产生不同的攻击模型,这些攻击模型里面通常含有目标项目和一些填充项目,通常而言正常用户只会根据自己的喜爱来评价自己购买的商品,而且不会恶意评价。这里存在两种思路来屏蔽攻击概貌对推荐结果的干扰:一种是提高推荐系统自我抗攻击能力,在推荐算法基础上提高其鲁棒性;另一种是通过概貌注入攻击检测识别并屏蔽攻击概貌来提高推荐鲁棒性。针对攻击模型降低推荐系统鲁棒性和准确度的问题,本文提出一种基于双重过滤攻击检测的鲁棒推荐算法。首先,根据攻击概貌用户高相关性和正常用户低相关性的特征,采用主成分分析技术进行协方差计算,将低协方差数据的用户标记成疑似攻击用户,标记范围要适当扩大攻击规模的过滤范围,从而划分得出疑似攻击用户序列和正常用户序列。其次,由于极少数的攻击用户混入正常用户序列里面,所以要在第一次过滤的疑似攻击用户里面找到正常用户并进行过滤。根据正常用户和攻击用户评分习惯的不同,采用评分背离度指标进行计算,按适当比例双重过滤出疑似攻击用户和正常用户,并将疑似攻击用户判定为攻击用户。最后,对稀疏数据进行矩阵分解,借助随机梯度下降学习,在学习过程中,屏蔽那些被判定为攻击用户的干扰,使其不参与推荐,进一步保证了推荐系统的准确度,同时提高了推荐系统的抗攻击能力,即鲁棒性得到了显著的提高。