21世纪是互联网快速发展的时代。在这个阶段,网络平台上的数据呈现出疯狂增长的趋势,人们更容易获取丰富信息的同时,也需要利用大量时间和精力寻找自己感兴趣的信息,进而引发了“信息过载”问题。为了方便、准确地选出用户所感兴趣的信息、商品等,智能化推荐算法应运而生。传统矩阵分解采用双线性映射,破坏了原始数据的结构。因此引入深度神经网络,采用非线性映射,减少了对数据的破坏,提高了推荐算法的性能。但融入了神经网络的推荐算法仍然存在数据稀疏性高、冷启动等问题。针对这些问题,本文在深度矩阵分解的基础上进行改进,提出了基于补全的深度矩阵分解的混合推荐算法。首先,提出融合矩阵补全与深度矩阵分解的混合推荐算法。通过核函数最小化模型将原始矩阵中的未知元素进行填补;再利用深度学习模型分别构建用户和项目潜在特征向量。其次,提出结合低秩矩阵拟合与深度矩阵分解的混合推荐算法。利用低秩矩阵拟合对缺失数据进行补全,并得到两个隐特征矩阵;再将隐特征矩阵作为深度神经网络的输入,建立非线性映射。最后,提出基于k-means聚类和奇异值分解预填充的自适应深度矩阵分解算法。对用户矩阵和项目矩阵分别聚类,再使用SVD对聚类后的矩阵进行分解,得到填充后的两个矩阵;再对数据预处理,通过多层维数不同的神经网络,进行评分的预测。对上述的三种混合推荐算法在公开数据集上进行测试,结果表明:这三种混合算法不仅缓解了冷启动和数据集中高维稀疏数据的影响,而且与深度矩阵分解相比,所提算法显著地提高了推荐系统的性能。