近年来,推荐系统已广泛应用于B2C网络销售、社交网络服务、搜索引擎和定位服务等领域中,取得较好成效,但推荐系统仍存在一些制约因素,如数据稀疏性问题。目前,大多数推荐系统评级预测工作利用了深度学习技术,首先基于已有的用户-项目评分矩阵,再利用用户和项目的辅助信息来解决上述问题,虽然可以一定程度上弥补数据稀疏性问题,但存在忽视上下文语义和句法信息问题,从而影响推荐性能;另外,当前流行的评级预测模型大多利用了矩阵分解来进行融合,但用户和项目的初始隐式特征矩阵对矩阵分解影响很大,有些工作回避或轻忽这个问题。针对上述研究工作中所存在的问题,论文对基于深度学习的推荐系统评级预测算法进行深入研究,提出了一种新颖的双自编码器矩阵分解模型(Dual AutoEncoders Matrix Factorization,DAE-MF),充分利用深度学习技术、评分矩阵和用户项目的评论信息来提高推荐准确率。本文的主要工作内容如下:(1)提出了使用卷积自编码器(Convolutional AutoEncoder,CAE)来处理项目评论信息。卷积自编码器通过无监督预训练对文档评论信息进行建模,不仅能够提取评论信息中的潜在特征,而且可以充分考虑单词序列和上下文信息对提取项目潜在特征的影响。(2)选用栈式降噪自编码器(Stacked Denoising AutoEncoder,SDAE)来重构用户的最佳初始值。该网络通过逐层非监督学习到隐含层特征,并把隐含层特征作为用户的初始值,很好地避免了随机初始化或零初始化用户潜在特征对矩阵分解的影响。(3)提出了一种卷积自编码器和栈式降噪自编码器集成矩阵分解的双自编码器矩阵分解模型DAE-MF。在数据极其稀疏性的情况下,DAE-MF模型能够提高用户对项目的评分预测。(4)在三个真实数据集上进行了大量的实验,验证本文提出的模型在评级预测任务中优于现有工作的性能。