随着大数据时代的到来和电子商务的发展,协同过滤推荐系统以其个性化的推荐优势正逐渐渗透人们的生活。但是由于推荐系统的开放性,容易招致恶意用户向推荐系统中注入攻击概貌以改变推荐结果,这严重影响了推荐系统的安全性。本文针对这个问题提出了一种鲁棒推荐算法,用于提高推荐系统的鲁棒性,同时保证推荐精准度。具体研究内容如下。首先,针对推荐系统中恶意攻击用户的存在影响推荐系统鲁棒性的问题,提出了一种嫌疑用户聚类算法,该算法从项目流行度入手,引入了用户平均评分流行度的概念,并基于此概念重新定义了用户之间距离的计算公式。该算法目的是将嫌疑用户聚集到一类,方便攻击用户的识别。其次,针对嫌疑用户聚类算法中存在的真实用户误判问题,由于真实用户误判会影响推荐系统的推荐精准度,所以提出了一种基于嫌疑用户聚类和目标项目识别的攻击用户识别方法,在嫌疑攻击类中进一步准确识别并标记攻击用户。该算法首先识别目标项目,然后在嫌疑攻击类中识别并标记攻击用户,目的是减小真实用户误判率,保障推荐系统的推荐精准度。然后,针对推荐算法低鲁棒性的问题,将攻击用户识别标记结果与贝叶斯概率矩阵分解模型结合,形成基于攻击用户识别和贝叶斯概率矩阵分解的鲁棒推荐算法。该算法在模型的学习过程中屏蔽被标记的攻击用户对目标项目的评分,目的是在保证推荐精准度的同时提高推荐系统的鲁棒性。最后利用MovieLens 100K数据集在Mat Lab实验平台上模拟仿真实验,并与一些经典鲁棒推荐算法作对比分析。实验结果表明,本文算法可以在提高推荐鲁棒性的同时保证推荐精准度。