目前，协同过滤推荐系统中的攻击行为逐渐向隐蔽性强攻击效果明显的群组攻击策略发展。与个体攻击相比群组攻击能快速改变推荐系统为用户制定的推荐列表，严重影响推荐系统的可信度。因此如何高效地检测出群组攻击行为成为推荐系统安全领域急需解决的问题。为了有效减少群组攻击对推荐系统的不良影响，国内外研究学者提出了很多检测算法。但已有的有监督检测算法易受攻击类型的约束，无监督检测算法一般需要先验知识保证有效性，并且群组攻击的攻击策略多样，隐蔽性较强现有的攻击检测算法很难检测到这种多策略攻击。针对这一问题，本文从群组攻击的本质出发对协同过滤推荐系统中的群组攻击进行深入研究。
　　首先，针对群组攻击的隐蔽性的问题，本文深入分析群组攻击行为在时间上的爆发性和评分相似性的特点，提出一种基于用户关系网络图嵌入的群组攻击检测算法。该算法首先将同时满足均值时间和均值评分阈值的用户映射为用户关系网络图中的点，他们之间关系为边生成用户关系网络图，其次结合网络嵌入方法和注意力机制为图中每个用户生成用户特征向量。接着将势能聚类和网络聚类中的连通性结合生成候选群体聚类算法。最后提出统一的群组攻击检测指标检测出群组攻击用户。
　　其次，针对同质网络模型节点和边类型单一不能较好的解释群组攻击策略的多样性的问题，提出一种基于异质信息网络的群组攻击检测算法。该算法以加权元路径随机游走得到节点序列，通过异质Skip-Gram模型生成用户特征向量，利用候选群组聚类算法和攻击群组检测指标检测出群组攻击用户。
　　最后，在Amazon、Netflix、Spain数据集上的实验结果与现有的攻击检测方法对比验证了本文提出检测算法的有效性。