随着互联网技术的不断发展,电子商务正在社会经济的发展中占据着越来越重要的位置。随着电子商务市场的逐渐扩大,越来越多传统行业在向着电子商务发展。然而电子商务提供了过多的商品给用户,在给用户提供方便购物的同时,也会使得用户迷失在大量的商品信息空间中,没有办法快速的找到自己想要的东西。推荐系统在这种情况下应运而生,电子商务推荐系统能够根据用户的兴趣进行个性化的推荐,使用户可以在海量的商品信息中快速、准确地选取自己需要的商品。本文首先对现有推荐算法进行了总结,并对现有推荐算法存在的问题进行了探究。当用户行为评分数据稀疏时,传统协同过滤算法的相似度度量将不准确,针对这一缺陷本文提出一种基于深度网络的协同过滤算法。首先,使用堆积受限玻尔兹曼机组成的深度信念网络无监督地学习用户行为数据,将高维、稀疏的用户行为压缩为低维、稠密的用户特征向量,得到用户行为评分特征。然后,将用户行为评分特征与用户项目属性偏好特征相结合,得到用户相似性.最后基于用户相似度生成推荐列表。Movielens数据集和某电子商务数据集的实验表明,新算法能够有效提升推荐结果的准确率、命中率和召回率,某种程度上解决了由于用户行为评分矩阵稀疏,从而无法准确计算用户相似度的问题。