由于协同过滤推荐自身特点以及互联网的开放性,使得协同过滤推荐系统在面对托攻击时表现的比较脆弱,不能很好抵抗托攻击的影响。现有的研究虽然已经提出了一些鲁棒推荐算法,但是这些算法要么对托攻击的抵抗力不强,在鲁棒性上表现不佳;要么通过牺牲推荐精度来提高算法的鲁棒性。针对鲁棒推荐算法的上述现状,本文提出了一种基于托攻击检测的鲁棒非负矩阵分解推荐算法,在保证推荐精度的同时提高了算法的鲁棒性。首先,对传统的奇异值分解变量选择算法进行了改进,并在改进的奇异值分解变量选择算法的基础上融合平均评分加权偏离度检测特征提出了一种基于奇异值分解和平均评分加权偏离度的托攻击检测算法(VSSW)。本文改进了传统的奇异值分解变量选择算法确定嫌疑用户标记数的策略,缩小了嫌疑用户标记数的取值,提高了准确率。通过在改进的奇异值分解变量选择算法基础上整合平均评分加权偏离度检测特征,进一步提高了准确率。其次,将上述基于奇异值分解和平均评分加权偏离度的托攻击检测算法和基于非负矩阵分解的鲁棒推荐算法相融合提出了基于托攻击检测的鲁棒非负矩阵分解推荐算法(VSSW-NMF)。算法在迭代更新之前使用VSSW算法对评分数据进行攻击检测,获得嫌疑用户集合。之后在非负矩阵分解的迭代更新过程中过滤掉嫌疑用户集合中的用户,从而抵消攻击概貌对推荐结果的恶意影响,提高算法的鲁棒性。最后,对于本文中所提的算法,在MovieLens 1m数据集上进行了仿真实验,并将实验结果和一些已有的算法进行了对比。通过与现有算法的对比表明,本文所提的算法确实能够保证不损失推荐精度的同时提高算法的鲁棒性。