推荐系统作为解决信息过载问题的重要工具,已成为数据挖掘领域的热点研究之一。个性化的推荐算法已在人们工作、学习、娱乐、商业等各个领域发挥着重要作用。传统基于协同过滤的推荐算法,如矩阵分解方法,其基于用户的历史评分记录,利用线性内积来预测评分。近年来,深度学习由于其出色的表征学习能力,被广泛应用于各个研究领域。而自编码作为一种优秀的特征提取与数据降维的深度网络,吸引了广大研究人员的注意,并提出了诸多基于自编码的推荐算法模型。随着在线信息量不断增长,伴随而来的数据稀疏性问题以及流行度偏差问题成为了推荐系统所面临的新挑战。因此,针对上述问题,本文在现有基于矩阵分解与自编码研究的基础上,提出了三种模型架构,通过相关实验对其进行了验证。本文的主要研究内容与贡献总结如下:（1）针对传统的矩阵分解方法使用线性内积建模用户偏好行为时,推荐准确性受数据稀疏性问题影响较大的缺点,提出了一种基于堆叠稀疏自编码与矩阵分解的评分预测模型（Stacked Sparse Autoencoder Fused Matrix Factorization,简称SSAERec）。在SSAERec中,利用特征提取模块从用户物品评分矩阵中分别学习用户潜在特征表示与物品潜在特征表示,并将提取到的表征融入到带有偏置项的奇异值分解模型中,进而预测用户对物品的评分。在三个数据集上进行了实验,将SSAERec分别与传统推荐算法以及同类型深度学习模型进行了对比,验证了SSAERec模型框架的有效性。（2）针对部分基于自编码的推荐模型忽略特征之间的差异性,造成的推荐准确性不足的问题,提出了基于融合注意力稀疏自编码与神经矩阵分解的推荐算法模型（Unifying Attentive Sparse Autoencoder with Neural Collaborative Filtering,简称ASAER）。此外,在A-SAERec框架中使用了神经矩阵分解方法来替代传统的矩阵分解方法来预测最终得分。同时在四个数据集上的对比实验,证实了A-SAERec模型可以有效地提升推荐系统的精度。（3）针对利用文本信息的自编码推荐模型,忽略了用户评论与物品评论之间的异质性,造成的推荐准确性下降以及模型中存在的流行度偏差问题,本文提出了一种基于融合自编码器与非对称层次网络的推荐算法模型（Asymmetrical Hierarchical Networks Fused Autoencoder,简称ANAE）。在ANAE框架中,使用非对称的注意力模块来区别学习用户评论嵌入表示与物品评论的嵌入表示。同时引入噪声对比估计（Noise Contrastive Estimation,简称NCE）来去除物品嵌入中的流行偏置。在四个不同稀疏度的数据集上进行的实验结果表明:ANAE能有效地去除偏差同时提高推荐性能。