协同过滤推荐算法是目前最常用的推荐算法。虽然协同过滤推荐算法已经得到了广泛的应用,但是其中仍然存在数据稀疏性问题和冷启动问题。数据稀疏性问题是由于用户只能对海量商品中非常少部分的商品进行评分,评分数据的稀疏性会非常高,导致评分向量的稀疏性也非常高。冷启动问题是由于系统中不存在或者存在少量的目标用户的历史数据,导致推荐算法无法准确地分析目标用户的兴趣和爱好。这两个问题最终都会影响推荐算法的推荐效果。本文从这两个问题出发完成了以下的工作。1.本文提出了基于自动编码器的用户特征降维算法,该算法能够缓解推荐算法中的数据稀疏性问题和冷启动问题。自动编码器算法常用来对深度学习中的稀疏特征进行降维,将自动编码器引入到推荐算法中,对评分向量进行降维,使降维后的向量具有更强的表达能力,缓解了数据稀疏性问题。将用户个人信息的编码与评分向量进行拼接,使用自动编码器对拼接后的向量进行降维,得到了包含关键信息的向量,求解目标用户的最近邻集合。使用最近邻集合中其它用户的原始评分对目标用户未评分商品进行评分预测,从而缓解了冷启动问题。2.基于自动编码器的用户特征降维算法和Canopy-Kmeans聚类算法设计了一种混合推荐算法。引入Canopy-Kmeans聚类算法,利用簇内相似度高且簇间相似度低的特性,减少求解最近邻集合时的相似度计算次数,从而提升了求解目标用户的最近邻集合的效率。本文在Movielens数据集上与其它推荐算法进行了对比,实验结果表明本文提出的混合推荐算法能有效的缓解数据稀疏性问题和冷启动问题,并且该混合推荐算法比实验中的其它推荐算法具有更好的推荐效果。3.基于自动编码器和Canopy-Kmeans的混合推荐算法,结合Django框架设计并实现了一套电影推荐系统。对系统进行了需求分析,设计了系统的架构。整个系统分为表示层、业务逻辑层、数据存储层。表示层由前台系统和管理系统组成。前台系统中包括个性化推荐、按类别查询电影、按名称查询电影等功能。后台系统包括电影数据管理功能和用户数据管理功能。业务逻辑层由数据处理模块、推荐引擎模块、其它功能模块组成。数据处理模块对数据进行处理使其满足相应的格式要求。推荐引擎模块是系统的核心模块,负责推荐模型的训练和推荐结果的生成。其它功能模块对应的是表示层页面中的各项功能。数据存储层负责存储系统的数据。基于Django实现了系统的各个功能模块。使用Movielens数据集并给出测试用例,对系统的各项功能进行测试。测试结果表明该电影推荐系统能够实际应用并且满足设计阶段确定的需求。