1.一种基于数据追踪的推荐系统安全检测方法，其特征在于包括如下步骤：

1)用户历史评分数据预处理，检测评分项目的历史评分数据；

2)项目追踪和预测，利用扩展卡尔曼滤波可应用于时间非线性动态系统的特点，追踪并预测项目的评分状况；

3)攻击用户分类，利用线性判别分析式对项目中的评分异常用户进行聚类分析，从而判定该项目中的攻击用户及其概貌。

2.根据权利要求1所述的推荐系统安全检测方法，其特征在于：所述数据预处理具体包括：

A：遍历当前推荐系统中的所有项目的评分，获得所有用户的历史评分数据；

B：根据所有用户各自的历史评分数据确定项目集i中的项目j在t时刻的数据统计特征评分均值avgt及评分方差vart；

所述项目追踪和预测具体包括：

C：根据项目j的avgt-1及vart-1计算获得项目j在t时刻的短期平均变化活跃度SACA值和短期方差变化活跃度SVCA值；

D：扩展卡尔曼滤波初始化，获取当前项目j在t时刻的系统状态为 观测状态Y(t)和系统状态误差协方差矩阵P(t)；

E：计算项目j在t+1时刻的系统状态X(t+1|t)＝f[t,X(t)]+G(t)W(t)，t+1时刻的观测状态Y(t+1|t)＝h[t,X(t)]+V(t)，其中，W(t)为过程噪声，f(t)及h(t)是系统做一阶泰勒展开得到的非线性函数，V(t)为观测噪声，G(t)为噪声分布矩阵；

F：求解一阶线性化状态方程，推算项目j在t+1时刻的状态转移矩阵Φ(t+1)，G：求解一阶线性化观测方程，计算项目j在t+1时刻的观测矩阵H(t+1)，H：利用项目j在t+1时刻推算出的状态转移矩阵计算出系统状态误差协方差矩阵P(t+1|t)，P(t+1|t)＝Φ(t+1)P(t|t)ΦT(t+1)+Q，其中，Q为过程噪声方差值，ΦT为Φ的转置；

I：求解项目j在t+1时刻的卡尔曼增益矩阵K(t+1)并控制收敛速度，K(t+1)＝P(t+1|t)T T TH(t+1)(H(t+1)P(t+1|t)H(t+1)+R)，其中，R为高斯白噪声的方差值，H为H的转置；

J：更新项目j在t+1时刻的系统状态X(t+1)＝X(t+1|t)+K(Y(t)-Y(t+1|t))，同时更新相应的系统状态误差协方差矩阵P(t+1)＝(In-K(t+1)H(t+1))P(t+1|t)，其中In为对应的n阶单位矩阵；

K：根据历史数据准确预测攻击用户的下一步行为，即判定此时攻击预测结果是否具备有效性；

所述攻击用户分类具体包括：

L：对追踪预测所获得的目标项目进行遍历，获得所有对目标项目进行评分的异常用户集合Atti＝{att1,att2,L attl}及数据矩阵D，D＝[d1,d2,...,dL]；

M：计算所有异常用户的评分均值向量μ，第j个项目的评分均值向量μj；

N：计算数据矩阵D的类内散布矩阵Sb和类间散布矩阵SW；

O：a是降维变换向量，向量di通过降维变换向量a所得到的投影函数是gi＝aTdi，通过公式求解a，λ为 的特征值；

P：数据矩阵D在投影平面α上的最佳投影值为：gi＝aTdi，使用邻近算法KNN对数据矩阵的投影进行划分，异常用户中的攻击者因其评分特征即最高评分和次高评分的相似性而产生聚集，而非攻击者的异常用户的投影无法产生聚集，从而划分出攻击用户。

3.根据权利要求2所述的推荐系统安全检测方法，其特征在于所述项目追踪和预测过程的K步骤中，判定攻击预测结果是否具备有效性的两个必要条件分别是：

1)在经过短期追踪后即给出预测结果，只有成功预测短时间Δt内的准确变化，预测结果才具有时效性；

2)能够成功预测项目的相关情况，若预测仅能够对非目标项目作出正确的预测，那么其预测内容于准确性无参考价值，只有能够准确预测出项目的系统状态，预测结果才具备有效性，可用如下计算式表达：其中，ARu代表攻击用户u给出异常评分即最高评分和次高评分的项目所组成的集合；

totalu,j代表用户u给出异常评分的项目j被追踪的总次数；

Υu,j表示系统对用户u评分异常的项目j准确预测的概率；

CONTu,j计算短时间内状态转移方程和观测方程的相近次数，统计准确的预测次数；

CALu表示用户因对目标项目进行异常评分而可能成为攻击用户的概率，当项目追踪时间超过Δt时，同时某项目CALu值超过给定的预测门限值η时，则跳转至步骤L，否则返回步骤E。

4.根据权利要求3所述的推荐系统安全检测方法，其特征在于所述Δt的范围为600s-

259200s。