随着信息时代的到来,导致数据量不断增大,这样人们就需要花费大量的时间去筛选有用信息,这种现象就是“信息过载”。协同过滤推荐系统在很大程度上缓解了“信息过载”现象,但是由于其自身的开放性,使其在受到攻击时呈现出脆弱性导致推荐结果不准确。灰色组织的攻击具有一定的策略性,可以在短时间内改变推荐结果。因此,如何有效识别群组攻击,成为了急需解决的问题。本文从用户评分偏移与时间序列的角度入手,对群组攻击检测问题进行深入研究。本文主要内容如下。首先,针对现有的检测算法不能有效排除流行项目的干扰。本文提出一种基于用户评分偏移度的群组检测算法,算法中提出了两个新的群组攻击特征。利用k-means聚类算法分别根据两个群组攻击用户特征进行聚类,生成两个候选可疑群组,取两个候选群组的交集为可疑用户群组。根据群组攻击特征计算用户可疑度,并对可疑群组内用户进行可疑度排序。其次,传统的利用时间序列的检测算法,利用项目在一定时间内的评分数来进行序列构建,无法有效过滤掉目标项下的正常用户且无法有效分组攻击用户。本文提出一种基于时间序列的群组攻击检测算法,该算法构建项目时间序列并划分时间窗口,通过计算窗口评分占比和每个项目的评分熵,结合项目评分熵与窗口评分占比的乘积检测出群组攻击概貌。最后,在MovieLens100k、Netflix以及Amazon数据集上进行实验,验证本文所提群组攻击检测算法的有效性。