推荐系统是用于预测用户偏好或者打分的一类信息过滤系统,在商务领域,众多商务平台将推荐系统作为营销的一种方式。在传统营销中,长尾商品是交易曲线分布中尾端的一类商品,相比于流行商品交易量更少,而推荐系统有助于将长尾商品呈现给目标用户,开发长尾商品的潜在销售能力。因为长尾商品的交易数据稀疏性问题,传统的推荐系统在进行长尾商品推荐时容易产生流行度偏差和虚假用户攻击问题。针对长尾商品推荐中的流行度偏差问题,本文采用主题模型联合建模用户历史行为、商品特征文本和用户社交网络信息,使用商品特征文本和用户社交网络信息弥补长尾商品中缺失的行为数据,增加用户和长尾商品之间的联系。实验结果显示,基于主题模型的混合推荐系统在召回率、准确率、商品推荐覆盖率和基尼系数指标上都表现优秀,有效地缓解了长尾商品的流行度偏差问题。针对长尾商品推荐中的虚假用户攻击问题,本文采用主题模型联合建模用户的可信度和用户历史行为,将目标用户的近邻相似度作为区分真假用户指标,在现有的指标区分基础上进行模型学习,修正指标区分结果,减轻现有相关研究对于数据特征的依赖。实验结果显示,基于主题模型的防攻击推荐系统在加入攻击行为的数据集上表现优秀,有效地解决了长尾商品的虚假用户攻击问题。