随着互联网技术高速发展,网络用户接触到的信息量已远超人类处理能力。为了缓解“信息过载”问题,提升用户使用舒适度,推荐系统成为大数据相关领域研究的一大热门。推荐系统通过对其受众和产品进行分析建模,并基于一定的推荐规则,将产品推荐给相应的用户。但是如何解决现存的数据稀疏问题、使用数据单一性问题仍是亟需攻克的难题。本文对主流推荐算法进行了研究,分析了当前推荐系统领域的研究现状,对深度学习技术与推荐算法的结合进行了简单介绍,并将两种深度生成模型应用到推荐算法研究中,意在将深度学习技术在复杂数据特征提取方面的特殊能力应用到缓解数据稀疏问题和冷启动问题。论文具体内容如下:(1)首先回顾总结了推荐系统研究背景和意义,介绍了推荐系统的理论基础,并对基于传统技术和基于深度学习技术的主流推荐方法分别进行了详细介绍。(2)提出了基于难分样本挖掘的对抗自编码器推荐模型。该算法引入均模型和三元组损失算法进行难分样本挖掘,将用户评分偏好作为用户分类依据;使用对抗自编码器学习相似用户的特征,并生成Top-N推荐列表。(3)将标签信息、地理位置信息和用户评分信息加入推荐过程,基于模因算法对用户进行微社区划分,采用LDA生成用户标签兴趣特征,产生推荐。(4)提出了基于微社区的迎合推荐方法,不同于向用户进行推荐,迎合推荐主要面向服务和商品供应者。使用变分自编码器(Variational AutoEncoder,VAE)学习微社区用户兴趣。根据学习到的用户兴趣特征,还原出微社区兴趣物品的主要特征,将其反馈给供应者。供应者根据推荐信息,提供更加符合用户需求的服务或商品。