近年来,在线数据量呈指数级增长,这些数据的主要部分与基于互联网的电子商务平台和社交平台有关。对于个人或组织来说,想要从巨量的数据中及时提取想要的信息是十分困难的。推荐系统为这一问题提供了一种自动化的、高效的解决方案。然而无论是用户显式表达或是隐式反馈的信息都是极度稀疏的,这会严重限制推荐系统的性能。近些年出现了一些融合社交信息的推荐方案,但也受限于社交信息的稀疏性,无法进一步改善推荐性能。由于深度学习技术具备从广泛的数据中挖掘深层特征的能力,因而近些年受到了越来越多学者的关注。本文以深度学习中的降噪自编码器为基础,通过融入社交信息完成项目推荐。本文的主要研究内容如下:1.提出一种基于降噪自编码器的社会化推荐算法。针对评分预测场景下数据稀疏性带来的预测不准确的问题,利用降噪自编码器以特征融合的方式将用户评分信息和信任用户评分信息整合在一个框架下以实现混合推荐设计,通过建模社交信任用户偏好信息的潜在影响降低评分数据稀疏的影响。在此基础上,通过用户聚类和个性化权重区分不同类的用户受信任用户评分偏好的影响程度。最后在开源数据集上进行实验仿真,其结果表明所提出的方法能够有效的利用社交信息提升评分预测准确度。2.提出基于降噪自编码器的隐式反馈推荐算法。在没有显式的用户评分数据的场景下,通过充分挖掘社交信息的潜力降低隐式反馈数据稀疏性的影响并改善冷启动用户的推荐质量。首先从改善社交信任信息稀疏度的角度,利用一种信任相似度的新度量方法,从整体的用户信任矩阵中挖掘隐含的信任关系并计算更精确的用户信任值。然后利用降噪自编码器以在深层共享用户偏好特征和社交信任特征的方式深度融合用户隐式反馈数据和社交信任数据,通过综合二者的影响,提高隐式反馈推荐质量。