随着电子商务规模的不断扩大,各种各样的商品迅速出现而且种类也越来越多快,顾客需要花费大量的时间才能找到自己想买的商品。这种浏览大量无关的信息和产品过程无疑会使淹没在信息过载问题中的消费者不断流失,一个好的推荐系统对于用户的重要性不言而喻。而冷启动问题在推荐系统中一直是一个比较重要的问题。冷启动问题是协同过滤推荐算法中被广泛关注的一个经典问题,该问题一直影响传统协同过滤推荐系统的健康发展,它的存在严重影响了推荐系统的推荐质量。对于电子商务推荐系统,每天都有大量的新用户访问系统,每天都有相当数量的新项目添加到系统中,一方面,如果推荐系统能够为新用户推荐比较喜欢的商品,推荐系统会赢得更多用户的信任,对商家来说增加了客源,提高用户对系统的忠诚度,对用户来说,可以随时得到高质量的个性化服务;另一方面,如果新商品能够及时地被推荐出去,可以提高产品的销售量,为商家赢得更大的经济利益,促进电子商务的健康发展。解决冷启动问题的关键障碍是缺乏用户与新产品之间的交互信息。当一个新的产品生产出来时,由于用户不知道该产品,我们无法判断用户对此产品的喜好程度。从而也就无法将产品推荐给用户。如果我们能够知道某些用户对此产品的喜好程度,那么我们可以根据用户之间的相似程度,来决定将新产品推荐给某个用户与否,从而解决冷启动问题。因此如何建立起用户与这种新产品之间的联系就成为了工作的重点。幸运的是产品总是有属性存在的,我们总是可以通过一个产品的属性来大体推测一下什么样的用户会对这种新的商品感兴趣。比如有一件新生产出来的羽绒服,它带有帽子,长版,羽绒含量达到99%等等的属性,我们通过这些属性可以推测出喜欢这个羽绒服的用户具有以下的特征:喜欢戴帽子,长版衣服,比起棉花更喜欢羽绒含量高的衣服。通过这种推测我们就建立起来了新产品与一个我们想象中的用户之间的联系,之后我们可以将真实的用户与我们想象的用户一一对比,从而羽绒服推荐给相似的用户。基于以上的思路本文提出了一种新的推荐模型:具有多个生成器的对抗性神经网络模型。我们从多个产品属性角度生成一个虚拟的用户画像,即生成的用户也是由属性特征表示。我们设计了一个对抗学习策略从而使生成的用户更加贴近于真实的用户。除此之外由于用户和商品都是属性级的表示,我们可以隐式地获得用户与商品属性级的交互信息。因此,我们可以根据属性级相似度向用户推荐新商品。我们将模型应用到了在电影和商品推荐两个项目冷启动场景上,做了大量实验,实验结果验证了我们提出的模型与最先进的基线方法相比的有效性。并且我们提出了两种用来提升推荐系统性能的方法,也通过实验验证了它们的有效性。