随着互联网技术的迅速发展和数据量的激增,能够有效解决信息过载现象的推荐系统应运而生。协同过滤推荐算法是推荐系统中应用最广泛、发展最快的一种算法。由于只利用了用户和项目的交互信息,它的发展受到了数据稀疏性和冷启动问题的严重影响,这导致算法的准确率受到了限制。研究表明,引入辅助信息可以有效缓解协同过滤算法的冷启动、数据稀疏问题,但浅层模型具有特征提取效果不佳的缺点。近年来,将深度学习模型应用于推荐系统的方法不断涌现,但以上问题仍然存在。针对这些问题,本文利用深度学习中的层叠稀疏降噪自编码器,将辅助信息融入推荐算法来增强算法的特征提取能力,更准确地完成评分的预测。主要研究内容有以下几点:1.提出“层叠稀疏降噪自编码器增强的基于用户分类的隐含因子算法”,该算法采用“深层模型提取项目特征+浅层模型提取用户特征”的组合模式。用户特征提取:使用系统评分制度的平均值改进指示函数的判定条件,使其更具有合理性,并将用户分类矩阵融入到隐含因子模型的预测评分中,通过用户分类,判定新用户所属类别,有效解决了新用户冷启动的问题。项目冷启动、数据稀疏、浅层模型特征提取能力有限的问题:使用“深度学习+隐含因子模型”的框架,在层叠自编码器模型中同时融入降噪性和稀疏性,形成层叠稀疏降噪自编码器模型,提高了模型的鲁棒性和泛化能力。从项目的基本信息中学习项目的深层特征,并将其融入到隐含因子模型中,形成基于深度学习增强的个性化推荐算法,解决了特征提取困难、冷启动和数据稀疏问题。2.提出“基于层叠稀疏降噪自编码器融入辅助信息的隐含因子推荐算法”。通过使用层叠稀疏降噪自编码器提取用户特征,同时使用深度学习模型提取项目特征,将用户、项目的深层特征表示与评分矩阵充分融合。3.将以上算法和目前应用广泛的五种算法作对比实验,结果表明,所提出的算法在准确性上优于其他对照算法,说明提出的新算法有效提高了推荐系统的准确性;“基于层叠稀疏降噪自编码器融入辅助信息的隐含因子推荐算法”优于“层叠稀疏降噪自编码器增强的基于用户分类的隐含因子算法”,表明深度学习模型特征表征能力对推荐算法的增强效果要高于浅层模型。