面对大数据的环境,如何从杂乱无章的海量信息中给用户准确推荐有价值的信息,这将是推荐系统领域的主要研究任务。在传统的推荐算法中,评分数据的稀疏性是影响传统推荐算法推荐准确率的主要因素,虽然有些传统方法解决了评分数据稀疏性问题,但仅仅挖掘评分数据间的线性关系,而且未考虑到用户兴趣波动的问题。针对评分数据稀疏性和用户兴趣波动问题,本文提出了一种集成神经网络的Top-N推荐模型(CDAETN),从海量数据中挖掘数据间的非线性内在联系进行推荐。首先,考虑用户-项目评分矩阵的稀疏性和数据有限性,采用显性反馈与隐性反馈数据结合的方式。将用户评论信息作为隐性反馈行为,利用卷积神经网络对评论文本进行卷积和池化操作获得用户兴趣度的隐含特征向量即项目向量,然后将项目向量作为降噪自编码网络输入层到隐藏层的初始权重参数,显性反馈数据的评分矩阵作为降噪自编码网络的输入数据,对用户-项目评分矩阵中未评分项目进行评分预测。其次,考虑到用户兴趣偏好不是没有波动的,用户的兴趣偏好随着时间的波动趋势与人类遗忘曲线相类似。引入非线性遗忘函数和项目属性,然后根据项目属性相似度获得项目间的相似度,寻找与最近评分项目相似的未评分项目集合,采用相似项目具有相同的时间权重策略,对未评分项目的预测评分进行时间加权,重新进行评分预测,最后选取Top-N个项目生成推荐列表。通过仿真实验,本文提出的集成神经网络的Top-N推荐算法(CDAETN)与传统的协同过滤算法、基于SVD的推荐算法、基于降噪自编码网络的推荐算法进行比较F1值,由仿真实验结果图可以看出,本文提出的集成神经网络的TopN推荐算法(CDAETN)有较大的F1值,说明本文提出的CDAETN算法进一步提高了推荐准确率。