协同过滤推荐作为电子商务领域应用最广泛的技术之一,是解决“信息超载”的重要技术手段。但是,面对托攻击时,现有的协同过滤推荐算法的鲁棒性不高,系统的推荐过程容易受到干扰,严重影响了系统的推荐结果。针对这一问题,本文基于基本矩阵分解技术,从攻击检测角度出发,运用有监督和无监督的机器学习算法,在努力提升推荐精度的前提下设计鲁棒性高的协同过滤推荐算法。首先,提出一种基于粒子群优化的矩阵分解推荐算法。在基本矩阵分解方法的基础上,为了提高项目特征矩阵和用户特征矩阵的鲁棒估计性能,采用粒子群优化技术,基于用户评分数据,对用户、项目特征矩阵进行初始化,得到用户、项目特征矩阵初始最优解,以此来提高系统的推荐精度,在Movie Lens数据集上与现有的算法进行对比分析,从推荐精度方面验证了所提算法的有效性。然后,提出一种融合层次聚类和MFRA＿PSO的鲁棒推荐算法。基于用户评分数据,挖掘真实用户与攻击用户之间存在的个体差异性,结合层次聚类算法设计攻击概貌检测算法,将用户概貌聚为两类。提出平均类内距离的定义,识别攻击概貌所在类并进行标记。将识别结果与基于粒子群优化的矩阵分解推荐算法相融合,设计鲁棒推荐算法,并在Movie Lens数据集上与现有的算法进行对比分析,从鲁棒性和推荐精度两个方面验证了所提算法的有效性。最后,提出一种融合随机森林和目标项目识别的鲁棒推荐算法。基于用户评分数据,给出项目流行度的定义,并结合卡方统计提取能够区分正常用户与攻击用户的有效特征。基于提取的特征训练随机森林分类器对攻击概貌进行第一阶段检测,接下来通过识别目标项目对含有攻击概貌的类别进一步检测,实现攻击概貌的第二阶段检测;基于攻击概貌检测结果和基于粒子群优化的矩阵分解推荐算法,设计鲁棒推荐算法,并在MovieLens数据集上与现有的算法进行对比分析,验证了所提算法的有效性。