互联网技术的飞速发展,尤其是最近几年移动互联设备的普及,把我们带入了信息丰富的时代,同时也使我们迷失在信息的海洋中。推荐系统作为一种新兴的信息过滤技术运应而生,它能够根据用户的历史评分记录给用户进行个性化的推荐服务,从而有效的解决信息过载的问题。然而由于推荐系统本身具有一定的开放性,使它面临着一些安全性的问题。攻击者出于商业竞争等目的,人为地向系统注入大量托攻击,企图使系统产生对他们有利的推荐结果,从而牟取暴利。因此,如何保证推荐系统工作的安全性成为目前重要的课题。本文从托攻击的检测和托攻击的防御两个角度研究协同过滤推荐系统中的安全性问题。本文综合分析了国内外的研究现状,针对协同过滤推荐系统的安全性问题进行了深入的研究,主要工作包括:(1)为了提高推荐系统中对均值攻击的检测效果,构建了一种基于非负矩阵分解的托攻击检测算法模型。利用非负矩阵分解技术对原始的用户项目评分矩阵进行特征提取,然后采用聚类算法把提取出的特征进行聚类,最后借助聚类结果,利用正常用户集的特征信息和托攻击集的特征信息的差异对其进行二次分类,从而提高了均值攻击检测的准确率。(2)为了提高推荐系统中对随机攻击的检测效果,构建了一种基于密度聚类的托攻击检测算法。把密度聚类算法的聚类原理,应用于推荐系统中随机攻击的检测。分析了算法的工作原理,提取出了适用于检测随机攻击的方法。通过实验验证,该算法确实能够有效的检测出推荐系统中的随机攻击,并且具有较高的检测效率。(3)为了提高推荐系统中推荐算法的鲁棒性,构建了一种基于矩阵分解的托攻击防御算法模型。首先,利用托攻击检测技术,把检测出的结果作为度量用户是否是托攻击的概率;然后,以此构造信任度权值矩阵;最后,把这个权值矩阵引入到矩阵分解模型并对模型求解。实验结果表明,该算法与其他协同过滤算法相比较能够更有效地抵御托攻击。