随着在线信息量的不断增加,推荐系统在帮助人们解决信息过载和促进电子商务公司销售方面发挥着越来越不可或缺的作用。推荐算法通过分析用户的历史行为数据,获得用户与项目之间可能存在的潜在关系,根据这种关系预测用户对项目的喜好,并做出推荐。但是,传统推荐算法却存在着许多不足,例如:无法很好地处理高稀疏性数据、新用户或新项目出现时不能做推荐、无法较好理解用户和项目的特征、可拓展性差等。而基于变分自编码器的推荐算法则与传统的推荐算法不同,具有较好的可拓展性,同时也能很好的理解用户的需求、项目特征以及用户和项目之间的关系。鉴于上述表现,变分自编码器在推荐领域的应用引起了广泛关注。对基于变分自编码器的推荐算法展开了研究,并提出了两种改进算法:(1)基于降噪变分自编码器的推荐算法。该推荐算法在训练模型时采用叠加过噪声的训练数据。因为在实际的测试数据中,噪声是不可避免的,采用含有噪声的训练数据时,算法可以学习到数据特征和噪声特征。通过这种方式可以使新算法具有较好的鲁棒性,并提高了推荐的准确率。为了进一步改善推荐性能,在新算法中采用多项式似然函数和变分推理对模型参数进行调优。(2)基于对抗变分自编码器的推荐算法。降噪变分自编码器在实现的过程中采用了变分推理的思想,这导致重构数据与原始数据之间仍存在一定的差异。针对这种情况,提出了对抗变分自编码器,并将其应用在推荐中。对抗变分自编码器借助生成对抗网络中的对抗思想,将降噪变分自编码器作为生成模型,通过判别模型来提高模型的重构能力,并提高推荐模型的鲁棒性和准确性。对于所提出的两种改进推荐算法,首先从理论方面对它们的原理进行详细阐述,分析它们的可行性。然后,针对两种算法分别设计了相应的对比实验。实验结果表明,两种改进算法的推荐性能均优于对比算法。