协同过滤推荐算法应用广泛,容易遭到外来系统攻击。用9种相似度指标计算用户相似度,研究协同过滤推荐算法在遭受攻击时的稳定性。实证结果表明:在恶意打分时,相似度指标中改进的热传导相似度指标比其它相似度指标的推荐结果稳定,而皮尔森(Pearson)系数和公共邻居(Common Neighbor)的表现非常不稳定;在随机连边中,相似度指标Leicht-Holme-Newman(LHN)的推荐结果非常稳定,而其它相似度指标则表现非常不稳定。研究结果表明用户的相似度度量对于协同过滤推荐算法至关重要。