随着互联网技术的发展进步,互联网中的信息内容呈指数增长。海量的信息在提供给用户更多选择的同时也使得用户难以在大量信息中找到自己所感兴趣的内容。由于推荐系统具有解决信息过载以及挖掘用户潜在兴趣爱好的优点,其被广泛应用到了诸如新闻、教育以及电商等众多领域。传统的推荐算法可以在某些程度上缓解用户在面对浩如烟海的数据时找到自己感兴趣的内容的难度。关于推荐算法的研究,通常集中在提升推荐算法的精确性方面,但高精确性的推荐系统所产生的推荐列表中各个项目之间往往具有较高的相似性。然而,由于用户的兴趣往往是离散的,于是这样的推荐就不能很好的覆盖到用户的兴趣。因此,如何平衡推荐算法的精确性与多样性就成了设计推荐算法时应当关注的问题。针对推荐系统中推荐结果的精确性与多样性的平衡问题,本文在现有研究工作的基础上,对传统推荐算法进行了优化。本文的具体工作内容主要包括以下几个方面:首先,采用卷积神经网络对用户以及项目的特征进行提取并进行评分预测。对得到的预测结果,采用Top-N推荐的方式生成用户的候选推荐列表。采用卷积神经网络进行特征提取可以有效的对文本特征进行提取,通过额外使用文本特征可以提高精确性。其次,在得到候选推荐列表后,对候选列表进行二次优化,增加推荐列表的多样性。采用聚类的方式对候选推荐列表中的项目进行优化,通过计算项目间的距离找出每个簇的代表项目,并由代表项目构建出用户的推荐列表。最后,在设计好基于卷积神经网络的平衡精确性与多样性的推荐算法的模型的基础上,设计在Movie Lens电影数据集的三个不同版本的数据集上进行的三组对比实验。分别从精确性和多样性两个方面,对比本文算法与传统推荐算法之间的性能。验证在不同的推荐列表长度以及不同的候选推荐列表大小下,算法之间的性能差异。实验结果表明,本文提出的改进算法,在精确性方面与传统推荐算法相似,在多样性方面相比于传统推荐算法而言有一定的提升。本文提出的算法能够有效的平衡推荐的精确性与多样性。