互联网如今呈现出欣欣向荣的发展趋势,信息过载是互联网赋予这个时代的特征。丰富多样化的商品让消费者不知道该如何选择。因此推荐系统变得越来越不可或缺,它能帮助用户从大量的商品中筛选出最符合用户偏好的商品,以此降低用户获取商品信息的成本,对于推荐系统来说,怎么利用和分析用户的相关行为数据并预测用户潜在感兴趣的信息内容是本文研究的重点。协同过滤应用非常广泛,传统的协同过滤仅使用用户对商品的评分矩阵数据,但这种评分矩阵稀疏性很高,会极大降低推荐的准确率,同时对新商品存在冷启动问题。本文针对这些问题,对传统的受限玻尔兹曼机RBM进行改进,改进后的算法GCS-RBM在数据稀疏性问题和冷启动问题上有较好的适应性,提高了推荐的准确率。本文主要工作如下:(1)对传统的RBM算法进行改进,提出结合商品内容相似性的协同过滤算法GCS-RBM。此方法运用Word2vec对商品内容进行向量表示,并计算商品之间的相似度,然后将所得到商品之间相似度的度量添加到RBM模型预测评分上,使最后预测出来的评分不仅考虑了评分矩阵中隐因子的影响,而且考虑了商品之间内容相似度的影响。(2)使用Netflix和MovieLens数据集,利用RMSE,Recall,mAP这三个指标对改进后的算法进行测评,并和传统的RBM算法以及已有的经典改进算法进行比较,实验结果证明改进后的算法GCS-RBM拥有更好的推荐性能。(3)实现了基于改进RBM的商品推荐系统,此荐系统采用B/S三层架构,应用Spring,SpringMVC,Mybatis三种主流框架,Oracle数据库,Nginx服务器开发而成。改进后的推荐算法GCS-RBM通过Mahout提供的扩展接口来实现,此系统可以高效的管理用户和商品相关信息。能够给用户推荐他们感兴趣的商品。