为了解决互联网时代信息过载的问题,推荐系统应运而生。推荐系统可以将用户可能感兴趣的产品或者服务直接推荐给用户,从而提高用户获取信息的效率。目前主流的协同过滤推荐算法,面临的主要问题包括冷启动问题、数据稀疏性问题以及推荐准确度等。本文主要对于冷启动和数据稀疏性问题进行研究与分析:本文针对新用户冷启动问题,提出了改进的深度谱卷积协同过滤推荐算法(Deep Spectral Collaborative Filtering,Deep SCF)。设计方法为将谱卷积网络应用于用户与项目二部图中,在谱域中使用卷积操作进行特征提取,设计循环神经网络结构进行深度训练,寻找用户项目深层关系及隐藏的连通信息,缓解推荐过程中的冷启动问题。同时考虑用户评分稀疏性对于推荐的影响,有针对性地提出改进的评分数据预测填充,考虑用户交互的共同评分项质量与数量,将目标用户的邻居相似度添加到评分预测权重改进算法,实现评分矩阵的填充,与Deep SCF算法进行混合推荐,提出基于评分的深度谱卷积协同过滤算法(Deep Score Spectral Collaborative Filtering,Deep SSCF),部分解决数据稀疏性问题,提高推荐的准确性。在Movielens,Het Rec2011等高稀疏性的电影领域数据集上进行实验,通过结果表明本文算法具有一定的先进性,对比多种流行推荐算法,综合考虑准确率,召回率等验证指标,验证了算法在解决数据稀疏性和冷启动问题上的可行性和有效性。