随着互联网行业的飞速发展,互联网上的信息量呈指数型增长。在纷繁复杂的互联网信息中,如何筛选出用户想要的信息成为推荐系统的主要任务。推荐系统通过有效分析用户的历史行为数据,达到预测用户下一步行为的目的,成为目前解决信息过载的主要手段之一。然而,传统的基于协同过滤的推荐算法对用户-物品评分数据进行建模分析时,一般采用线性模型,导致推荐算法的精度提升有限。深度学习技术凭着强大的表征能力在图像识别、自然语言处理方面取得了巨大的成功,基于深度学习的推荐算法近年被广泛研究。本文针对传统协同过滤算法的数据表征能力弱等问题,通过结合深度学习的相关理论和方法,对基于深度隐特征分析的推荐算法进行了研究,从而达到提升推荐算法精准率的目的。具体工作如下:(1)对深度学习和推荐算法的研究现状进行了广泛的调研,发现基于深度学习的推荐算法在处理多源数据、数据表征方面具有优势。在实际的推荐系统中,用户和物品的信息数据是多种多样的,例如物品的图片信息。基于深度学习的推荐算法针对这些数据可以使用多种网络模型进行处理,相较于传统的协同过滤算法而言,能够提取出更具代表性的特征。除此之外,基于深度学习的推荐算法能够对用户和物品特征进行非线性表示,建立起非线性模型,提高模型泛化能力。(2)提出基于隐特征分析的协同过滤算法。这里所说的隐特征指的是利用神经网络提取出来的特征。该方法从用户和物品两个不同的角度分析,采用自编码器分别建立基于用户和基于物品的推荐模型。模型通过分别对用户和物品的特征向量进行处理,提取出对应的隐特征进行分析,并且通过引入多种正则化方法和去噪技术,以缓解模型的过拟合问题,增强模型的鲁棒性。通过在多个数据集上进行多组实验,本文验证了其方法的正确性。(3)提出一种基于深层隐特征融合的集成推荐算法。该方法利用多层感知机,将用户和物品隐特征进行深度融合,提取用户和物品之间的交互特征。除此之外,针对深度网络模型的优化问题,本文采用了批量归一化等多种解决办法,并且利用模型预训练方法进一步提升预测精度。实验结果表明,基于深度隐特征融合的集成推荐算法相比于现有的推荐算法而言,精度有明显的提升。