伴随着电子商务地迅猛发展,用户面对多样化的产品与服务,如何快速有效地找到适合自己的物品,成为了 IT企业非常关注的问题之一。推荐系统旨在减少用户挑选物品所耗费的时间和精力,努力为用户进行精准的个性化推荐。优秀的推荐系统能够帮助用户更加便捷地找到他们真正需要的物品,也可以有效地帮助企业保留用户,保持用户粘度,提升潜在用户转化率。近些年来,深度学习在计算机视觉、自然语言处理方面取得了卓越的成就,与此同时,它在推荐系统方面的研究与应用也被越来越多的人们所了解。同时,矩阵分解也被用来进行推荐系统方面的研究,它是根据用户之间的相似性和物品之间的相似性来预测某个用户的喜好。在本论文中,我们采用了以下的研究方法:首先,我们根据用户对各个物品的打分情况建立评分矩阵。第二,我们使用该评分矩阵作为输入,分别将某一用户对所有物品的评分和某一物品的所有用户给出的评分输入神经网络,神经网络每一层都会得到两个不同的向量,计算两个向量之间的余弦相似度,将所有的余弦相似度相加得到最终结果。第三,我们使用改进的二值交叉熵损失函数作为神经网络训练的损失函数。通过改进的二值交叉熵损失函数,我们能够有效地利用显视的打分以及隐含的信息进行优化。实验结果也表示,我们的算法在相同的已知数据集上比目前优秀的算法表现更好。同时,我们也针对神经网络中不同的设置参数进行了对比试验,比如网络层数、负采样率等。