协同过滤推荐是推荐系统中运用成功的一种推荐技术,然而面对托攻击时,已有协同过滤算法存在一些问题:首先,传统的基于矩阵分解的协同过滤算法对离群点的容忍性弱,用户和项目特征矩阵易受攻击概貌的影响,因而模型的抗攻击力较弱;其次,大多数算法不仅存在抗稀疏性问题而且算法的鲁棒性也较弱。为了保证推荐质量,本文在现有的研究现状基础上,从推荐算法的鲁棒模型进行了研究,旨在同时提高算法的精度和鲁棒性。主要研究工作如下:首先,本文提出了一种基于核矩阵分解的鲁棒协同过滤算法。然后利用评分矩阵的核映射和核距离诱导出了鲁棒的核矩阵分解模型,并用尺度因子对模型中的残差进行调整,增强了模型的抗攻击能力,实现对用户特征矩阵和项目特征矩阵鲁棒性的估计。最后提出了用核空间距离的方法计算用户间的相似度,提高了相似度计算的可信性,进而降低攻击概貌对预测评分结果的影响。其次,本文提出了一种基于核正则化和加权的M-估计量的鲁棒推荐算法。在矩阵分解模型中,首先引入高斯核函数作为加权M-估计函数,实现了算法鲁棒参数估计。然后引入了CIM的相关知识,用CIM处理了用户特征矩阵和核项目特征矩阵,将处理后用户特征矩阵和核项目特征矩阵的作为损失函数中的正则化项,这样增强了抗稀疏性,同时削弱了攻击概貌对用户、项目特征矩阵的影响。最后,设计本文相应的推荐算法与已有的算法在Movielens数据集进行实验比对与分析。