推荐系统在各类在线服务中帮助用户发现感兴趣内容，基于深度学习的推荐系统因性能优势日益普及。然而，这类系统的安全性鲜有研究。本文首次系统研究针对深度学习推荐系统的数据投毒攻击。攻击者通过注入精心构造评分的虚假用户，操纵系统输出，使攻击者选定的目标物品被推荐给大量正常用户。作者将攻击建模为一个优化问题，目标是最大化正常用户收到目标物品推荐的数量，但该问题属非凸整数规划，难以精确求解。为此，作者提出多种启发式或近似技术来高效求解。在三个真实数据集（含小规模与大规模）上进行实验，结果表明所提攻击成功率显著优于已有攻击方案。此外，作者还尝试基于评分模式统计特征区分正常用户与虚假用户，以检测此类攻击；但实验显示即便部署此类检测器，攻击依然有效，且仍强于现有攻击。该研究揭示了深度学习推荐系统的数据依赖脆弱性：攻击者无需访问模型内部，仅通过向系统注入少量伪造评分即可实现攻击目标。其主要贡献包括：首次系统性定义并研究该问题、提出可扩展的攻击优化框架、验证了攻击的有效性与检测的困难性。对于推荐系统开发者和安全从业者而言，理解此类攻击机制对构建健壮的推荐服务至关重要。