科技与信息化发展致使数据存储量呈“爆炸式”发展,为了解决信息过载问题,推荐系统应运而生。如今,推荐系统被广泛应用到各类电子商务领域及线上购物领域,在提高网站商品转化率、用户选择效率及市场公平性等方面具有重要作用。但是由于推荐系统的脆弱性,部分不法分子在利益驱使下对推荐系统进行有目的的攻击,以使得推荐系统的推荐结果产生偏移。因此,为保障推荐系统的推荐质量与用户对推荐系统的信任度,针对攻击环境下的推荐系统进行鲁棒性研究是一项有意义的研究。近年来,攻击下的推荐系统鲁棒性研究主要有两种主要方法:一种是在面临攻击的情况下提高推荐模型的稳定性能从而提高鲁棒性,另一种是在数据集中对攻击用户/虚假信息进行检测并阻止。本文以深度学习与机器学习等知识为基础,对攻击环境下的推荐系统鲁棒性展开深入研究,分别为:（1）在先令攻击环境下进行攻击检测与预测推荐相结合的方法来提高推荐系统鲁棒性;（2）检测并降低无用信息比重以提高攻击环境下的鲁棒推荐性能;（3）基于协同过滤的在线电影推荐应用系统开发。（1）针对先令攻击（攻击者发布恶意的评级以及用于促销或压制目标产品的评论）存在环境下的推荐系统,本文提出了一种攻击检测与预测推荐相结合的模型RMPD（Rating matrix prediction detection）。首先使用改进SVD（Singular Value Decomposition）方法对评级矩阵的空缺值进行预测填充以降低评分矩阵稀疏性带来的消极影响,使用MLP（Multi layer Perceptron）分别对用户以及项目进行深层特征表示学习,使用LFM（Latent factor model）组件根据用户及项目表示对评级进行预测。在攻击检测部分,本模型采用NDF（Neural detection forest）对攻击用户进行检测分类,将NDF组件的攻击用户检测结果作用于评级预测中以控制攻击用户对评级预测所做的贡献,根据最终项目评分预测最终生成项目评分排名列表以进行推荐。（2）根据对攻击用户的行为研究,向推荐系统中注入无用信息（评分与评论情感不一致的评价信息）以扰乱信息特征的行为被认为是攻击的方式之一。为解决无用信息对推荐系统推荐准确率的影响,本文提出了一种检测并降低无用信息比重的方法,可以有效提高攻击环境下的推荐鲁棒性与推荐准确率。通过情感分析模型Bi LSTM（Bi-Long Short-Term Memory）对评论文本进行情感极性判定后,与所属评级分数进行对比,根据阈值来对情感不一致的评价标记无用信息,并随即删除一定比例的无用评价。在后续的预测推荐模型中,使用CNN（Convolutional Neural Networks）与MLP组件分别对用户与项目的评级、评论信息进行建模学习并获得特征表示,使用注意力机制对无效评论进行权重划分以降低其重要程度,最终评级预测组件将输出预测评级分数实现有效推荐。（3）根据本文研究内容对基于协同过滤的鲁棒在线电影推荐系统展开设计与开发,本系统基于Python+Django+My SQL技术进行实现,通过调用协同过滤算法实现非个性化推荐的热点推荐和基于用户或项目的个性化推荐,通过加入推荐鲁棒算法实现系统在攻击下的鲁棒性。本文将对系统核心功能及界面进行介绍,并通过后台数据库设计介绍与系统测试结果来说明本系统的可行性。