目前推荐算法中，协同过滤推荐应用最为广泛，也最为成功。这种算法的原理是:收集用户的历史信息来识别出用户邻居，进而通过分析用户邻居的喜好来找到该用户可能感兴趣的内容。　　近期对协同过滤推荐算法的研究，越来越将数据挖掘、机器学习、人工智能、信息检索、统计学以及模式识别等理论与技术应用进来，有效提高了推荐精度。　　其中，多准则决策的应用较为成功。应用多准则决策的协同过滤推荐算法在基于记忆的用户协同过滤推荐算法基础上，以多个子准则综合考虑用户之间的关系，对用户决策喜好项目进行多方面的分析和考量，从而改进了常规的用户相似度计算方法，一定程度上解决了“用户决策”问题，有效提高了推荐的精确度，然而这些研究在选择子准则以及指定子准则权重的时候，往往出于经验决定，容易导致与实际影响用户决策的因素相比出现偏差。　　为了改进这个问题，本文引入深度学习，改进了传统的多准则决策协同过滤推荐算法。首先，选取用户的多维属性、推荐项目的多维属性，作为玻尔兹曼机的输入，结合“用户-项目”评分训练集，训练出玻尔兹曼机各层次隐含节点的权值;其次，利用这些隐含节点的权值，推算出用户属性、推荐项目属性对用户决策“用户-项目”评分影响程度的度量值;最后选取最影响用户决策的几个属性作为计算用户相似度的子准则，并根据这些属性的度量值比较，决定各个子准则的权重。　　实验证明了，这种改进策略不仅有效提高了多准则推荐算法的推荐精度，也保持了良好的推荐实时性。