深度学习作为人工智能的一个分支被应用在多个领域,用深度学习作为模型应用在个性化推荐领域逐渐受到关注。受限玻尔兹曼机(Restricted Boltzmann Machine, RBM)作为深度学习中的模型之一,是一种“无监督学习”模型可以用来对未知输入样本进行分类和特征提取。基于RBM的协同过滤算法在用户评分数据稀疏问题上存在精度不够、准确率不高等问题。本文主要从RBM模型的基本结构入手,将改进的RBM模型与协同过滤算法结合应用到推荐系统中。具体内容如下:(1)从推荐算法的基本研究入手,分析了经典的协同过滤算法,包含了基于模型的协同过滤和基于邻域的协同过滤,并对比多种基于模型推荐算法的优缺点。分析了RBM的结构和RBM的训练算法-对比散度算法,通过构建RBM和协同过滤算法的联系,指出基于RBM的协同过滤算法中的不足。(2)基于RBM的协同过滤只考虑用户的评分,如果用户的评分稀疏性低会直接影响算法的推荐效果,本文在RBM模型的基础上提出了附加受限玻尔兹曼机(Extra Restricted Boltzmann Machine, ERBM), ERBM模型在RBM模型的基础上增加了附加层作为条件输入,将条件输入与原始输入结合共同作为模型的输入条件,使用对比散度算法训练模型,得到输入数据的特征。从经典的协同过滤算法为基础,提出了新的用户相似度计算方法-结合项目特征的用户相似度计算,以项目特征相似度与用户的相似度相结合计算用户的相似度。取相似度前k个用户的评分作为ERBM附加层的输入,用ERBM学习用户的特征来预测未知的用户评分。本文通过开源数据集MovieLens验证算法的可行性,其结果表明,基于ERBM的协同过滤算法有更好的准确率。(3)本文描述了在线课程推荐系统中的推荐功能模块,并且分析了课程推荐系统中的推荐方案,分析了基于ERBM的协同过滤在系统中的具体实现方式,解决了在线课程推荐系统中的冷启动问题。