随着在线电影数量不断增长,对于电影网站来说,电影评分高低直接影响电影的观看次数和用户的选择,对于用户来说,在众多的电影中找到自己真正喜欢的电影,耗时费力。推荐系统提供了克服此类问题的有效解决方法,为网站和用户提供了极大的便利。但是传统推荐算法存在由于数据稀疏问题导致的推荐效果不佳及冷启动问题,且在对用户进行推荐时未考虑用户给推荐物品的评分高低的影响因素。针对以上问题,本文对推荐算法及其发展现状进行了分析,并深入研究了深度学习在电影推荐领域的应用。通过对现有算法进行改进,提出交互式混合推荐算法,并且引入了评分优化权重,有效缓解了数据稀疏和冷启动问题,同时用户的评分行为也得到了优化。本文主要研究工作如下:(1)构建基于协同过滤的评分优化算法目前推荐系统主要依靠相似度计算对缺失值进行预测,选择预测值较高的前N个进行推荐,并没有考虑用户上次观看电影对本次评分行为的影响,针对这一问题,本文提出基于协同过滤的评分优化算法。该算法在协同过滤算法的基础上引入评分优化权重,提高了电影的平均评分,减小用户对电影的评分波动。(2)改进基于自编码器的混合推荐算法在基于自编码器的混合推荐算法中深度学习算法和传统算法收敛速度不一致导致推荐效能不佳,为了更好的将深度学习与传统推荐算法进行高效的组合,提出基于自编码器的交互式混合推荐算法。该算法应用自动编码器对辅助信息进行无监督学习,对用户-评分矩阵进行概率矩阵分解,自动编码器部分和概率矩阵分解部分在训练过程中进行交互,彼此之间相约束,从而利用物品辅助信息重建评分矩阵。(3)提出深度协同双向时序约束算法通过在基于自编码器的交互式混合推荐算法中引入评分优化权重,形成深度协同双向时序推荐算法。该算法由矩阵分解模块、栈式自编码模块及评分优化权重模块组成。(4)测试分析本文将测试分三部分:a)对基于协同过滤的评分优化算法进行测试,验证评分优化权重对用户评分行为的影响;b)将基于自编码器的混合推荐算法和基于自编码器的交互式混合推荐算法在豆瓣电影评分数据集和MovieLens数据集上分别测试,对测试结果进行对比分析,验证交互行为对推荐性能的影响;c)对深度协同双向时序约束算法在进行项目推荐时的推荐效能进行测试。采用深度协同双向时序约束算法为用户进行长期电影推荐,推荐结果表明深度协同双向时序约束算法有效地缓解了数据稀疏和冷启动问题,也对用户的评分行为进行了优化。