随着互联网不断的拓宽随之而来的大数据时代,使得网上各式各样的信息越来越多,造成了信息爆炸、信息超载,使得用户无法在短时间内分辨和获取想要的信息。推荐系统的功能就在于为用户提供关键的信息,推荐系统通过对用户的个人信息、历史数据进行算法深度挖掘,来得到用户的需求所在,最后给出一个个人特色推荐列表。协同过滤算法的核心思想是寻找具有相似行为的用户,即具有共同需求爱好的一个群体,算法更倾向于关注用户的历史行为,且不受新项目的影响,相较之下更具好的推荐精度。本文首先分析比较了基于内容和基于用户的协同过滤算法,并且在算法的实践优化过程中加入了聚类算法。协同过滤算法存在推荐准确度不高的情况,因此加入了根据时间的兴趣度计算来优化相似度公式,在计算用户相似度之前,使用了聚类算法用于聚类用户,将具有相似行为兴趣的用户聚合成一个类。如此一来可大大缩短实验阶段,用户间计算相似度的时间。实验表明相较于单一的推荐算法,在准确率、召回率的判定标准上混合推荐算法有进一步的提高。与此同时,自编码神经网络是一种无监督学习的深度网络模型,具有强大的隐层特征提取能力,因此提出了一种基于栈式降噪自编码器的混合推荐算法。首先,数据集中的用户评分数据被用作训练网络的输入,并学习项目的隐含特征编码,然后使用PCA算法来减少项目属性的维度,最后结合优化过后的用户数据来计算相似度,得到最终TOP-N推荐列表。实验数据使用公开集Movielens数据集,70%用于训练集,30%用于测试集。实验表明新算法在一定程度上解决了评分矩阵稀疏问题,因为深度模型能够有效提取用户特征,同时推荐结果的召回率以及准确率也有所提高。因此神经网络模型与协同过滤的混合优化对于推荐系统的发展具有极大的促进作用。