互联网数据量的激增使得人们面临着“信息过载”的问题,而个性化推荐是缓解该问题的有效手段。个性化推荐旨在根据以往的用户记录来给用户推荐可能感兴趣的商品或服务。协同过滤由于它的有效性和健壮性成为了炙手可热的推荐方法。传统的协同过滤利用矩阵分解方法来学习用户和/或项目的隐藏特征表示,但矩阵分解的方法往往只能学习线性特征,且在数据稀疏的数据集下表现欠佳。近年来深度学习在表示学习中已经取得了良好的性能,自动编码机作为一种优秀的深度学习模型,由于收敛速度快、无标签要求等优点被广泛应用于推荐系统中。另外,基于自动编码机的推荐方法常常利用附加属性来解决数据稀疏性问题。然而,传统的基于自动编码机利用附加属性来缓解数据稀疏性的推荐方法有两个主要缺点。首先,当使用额外信息来扩展特征空间时,大多数现有模型的计算成本很高。其次,由于获取标签知识的高成本和用户隐私意识的增加,难以获得用户附加属性。本文主要关注面向这两个问题的基于背景信息和自动编码机的个性化推荐算法研究,主要研究工作如下:（1）本文提出了 HCRDa算法,该模型利用两个半自动编码机对用户和项目的评分向量和属性特征共嵌入来同时学习用户和项目的隐藏特征,并结合矩阵分解的方法实现评分预测。该方法首先利用两个半自动编码机学习用户和项目的隐藏表示,同时将矩阵分解技术嵌入到自动编码机的训练过程中,进一步提高用户和项目隐藏特征的质量;最后,利用用户和项目的附加属性来缓解冷启动问题,并提出混合推荐。（2）本文提出了 Co-Agpre算法,该模型采用半自动编码机对项目的评分向量、属性特征、图特征进行共同嵌入以进行评分预测。更具体地说,Co-Agpre模型引入了半自动编码机来学习项目的非线性隐藏特征,以获得较低的计算成本,因此该模型可以灵活的使用不同来源的附加信息。同时,在不容易获得用户的附加属性的情形下,我们考虑了项目的图特征和属性特征,以提高推荐的准确性。在现实的推荐系统的数据集上的实验证明了所提出的Co-Agpre模型与最先进的属性感知和内容感知的方法相比的有效性。