随着信息技术的快速发展,人们关心的问题是怎样从海量的数据中获取有效的信息。如电商产业,提供各种各样的选项使得用户无法快速的进行信息获取。因此,出现了推荐系统,该系统为平台和用户都带来了便利。传统的推荐算法主要是利用用户的历史行为记录和兴趣以及项目特征数据,分析用户潜在特征偏好,将分析得到的推荐列表推荐给用户。但是,传统的推荐算法存在着数据稀疏性以及冷启动问题,导致推荐结果不够精确。为了进一步提升推荐的性能,将深度学习引入到推荐系统中成为研究热点。深度学习中的深度神经网络模型可以有效的获取特征表示,从而降低数据的稀疏性。相对于传统协同过滤算法,深度学习的应用使得推荐的效果更加精确。在针对原始数据的稀疏性问题,本文提出了两种改进算法,第一种算法是结合奇异值分解(Singular Value Decomposition,SVD)与堆栈式降噪自动编码器(Stacked Denoising Auto-encoders,SDAE)的神经协同过滤算法(NSSCF)。该算法首先是利用SVD降维;接着利用SDAE有效的特征学习获取项目特征并计算基于评分的项目间相似度;然后在属性项目矩阵上计算基于属性的项目间相似度;最后计算出项目的综合相似度并获取项目间的最近邻集合,从而提高了算法的准确性。为了更有效的学习用户与项目的潜在特征,接着在显式反馈与隐式反馈的基础上提出一种基于深度学习特征表示协同过滤的算法(DLFeaCF)。该算法主要在内积与外积之上,分别利用多层感知器(Multi-Layer Perception,MLP)与卷积神经网络(Convolutional Neural Network,CNN)去学习用户-项目的全局特征和局部特征,最后在融合层组合特征并获得预测分数。最后在真实的MovieLens 1M数据集上进行了实验,并与其他算法进行了对比验证,表明本文提出的算法在一定程度上提高了推荐算法的准确性与有效性。图[24]表[7]参考文献[62]