社会化推荐系统利用社交关系作为额外输入，可以有效解决评分驱动的推荐系统中存在的稀疏性与冷启动等问题，同时可以提高推荐的准确性。然而由于社会化推荐系统开放性的特点，托攻击者通过注入虚假欺骗信息（如虚假评分与虚假关系等）操纵推荐结果，影响商品排名，进而影响用户购物体验以及损害商家的正常利益。 为了保障社会化推荐系统免受托攻击，本书首先探究面向社会化推荐系统的托攻击模型，在此基础上提出面向社会化推荐系统托攻击的检测方法。本书主要完成了四个方面的工作：一是从社会化推荐系统的工作机制入手，归纳总结社会化推荐系统中托攻击者可能的攻击形式，提出相应的托攻击模型；二是在检测注入虚假评分的托攻击者时，从用户的选择行为入手，分析由此导致的用户概貌中项目流行度分布的不同，从而提出一种基于流行度的分类特征提取方法，从而对虚假评分进行检测；三是在检测注入虚假关系的托攻击者时，使用基于拉普拉斯的特征提取方法，对用户的高维特征进行无监督提取，降低标注代价，从而对虚假关系进行检测；四是在特征提取的基础上，利用半监督协同训练在评分与关系特征子图上分别训练分类器，从而提高托攻击检测的准确性，并更加适合在现实中对社会化推荐系统中的托攻击进行检测。