随着农产品电子商务的不断发展,众多农产品纷纷转战线上销售,茶产品同样在积极开辟电商渠道,并已成为销量最大的农产品之一。在真实的茶产品电商购买环境中,一个用户购买过的茶产品数量往往只占茶产品总数的很小一部分,这导致用户评分数据十分稀疏,从而给构建高效的茶产品推荐系统带来了困难。考虑到除了用户对茶产品的评分数据外,还包含茶产品标签以及用户-茶产品评论数据,合理利用这些数据可以有效缓解数据稀疏性问题并提高茶产品的个性化推荐能力。然而茶产品标签数量少、重复利用率高,茶产品评论又多噪声、高冗余,这给标签以及评论数据的有效利用带来了困难。针对上述问题,本文提出了基于双自编码器结构的茶产品评分预测模型,该模型主要分为特征提取自编码器和评分预测自编码器两部分,分别负责茶产品特征因子的提取,以及茶产品评分预测。本文主要研究内容如下:(1)从茶产品评论中提取出关键词语作为茶产品特征词,与茶产品标签融合并进行向量化处理,通过茶产品特征提取自编码器的处理后得到茶产品的特征因子,作为评分预测自编码器的辅助信息与茶产品评分数据融合。(2)将茶产品评分数据与茶产品特征因子融合,得到融合后的茶产品评分数据作为评分预测自编码器的输入,且在训练过程中茶产品的特征因子一直参与评分预测自编码器参数的调整与修正,从而使评分预测精准度得到较大提升。(3)利用采集到的真实数据集,按照先特征提取自编码器后评分预测自编码器的顺序调整关键参数,探究不同参数取值对茶产品评分预测精准度的影响,进而选择最佳的参数设定与优化方案。(4)根据相关性能评价指标,验证本算法的性能,并将本算法的性能指标与传统的协同过滤推荐算法、隐因子模型以及其他利用自编码器的推荐算法进行比较验证。实验结果表明,本文提出的双自编码器评分预测模型性能明显优于当前主流的评分预测算法。