当前,电子商务飞速发展,用户面对海量的信息很难快速找到满足需要的商品信息。推荐系统是信息过滤的重要手段,其核心为推荐算法的应用。目前比较流行的推荐算法是协同过滤,许多电子商务企业的核心推荐系统都基于协同过滤。然而,不经过安全性处理的基于协同过滤的推荐系统非常容易受到托攻击的影响。托攻击是指非法用户通过向推荐系统中注入伪造的用户数据,对目标项目的推荐热度进行改变,进而导致用户对推荐结果的满意度降低。现有关于托攻击检测的有监督方法大多数是基于固定特征对攻击概貌进行检测,存在检测准确率偏低和灵活性不强等问题。针对托攻击检测中存在的问题,在国内外专家研究基础上,对特征指标进行分析与处理,改进特征选择方法,提出反向递归消除的特征选择方法和基于网格搜索优化的支持向量机相结合的托攻击检测方法;其次,针对推荐系统中存在的数据不平衡和低填充率、低攻击强度下的检测精度偏低等问题,提出改进的反向递归消除的特征选择方法和不同错分代价支持向量机相结合的托攻击检测方法。本文主要研究工作及创新点如下:（1）托攻击生成与数据预处理。通过分析不同托攻击的攻击概貌结构,分别构造托攻击训练模型,并完成攻击数据的注入;通过分析现有检测方法,选择出实验所需特征指标,并对正常用户和攻击用户的评分数据进行特征值计算。（2）依据相互增益的特性,提出相互增益结合反向递归消除的特征选择方法。在动态特征选择的过程中考虑特征之间的相互作用,最终根据不同攻击类型选择出不同的最优特征集合,结合机器学习分类算法完成托攻击的检测。（3）提出反向递归消除特征选择结合不同错分代价支持向量机的托攻击检测方法。在特征选择中,引入标准差区分系数,对特征进行区分度排序,完成特征初步筛除,再使用反向递归消除完成特征选择。分类阶段使用不同错分代价支持向量机,解决数据分布不平衡问题。在提高特征选取灵活性的基础上,提高检测效率与检测准确度。（4）设计并实现基于特征分析的托攻击检测系统,并对系统的不同功能模块进行详细介绍。