推荐系统在当下各个领域发挥着非常巨大的作用,在日常学习和生活中,为我们节省了很多时间和精力去收集所需信息。然而,冷启动、数据稀疏性问题往往影响推荐系统的准确率。因此,为了使数据不完整导致的推荐效果不佳的问题得到有效缓解,论文联合额外文本数据和评分数据进行预测,提出一种改进的卷积矩阵分解推荐算法,在一定程度上有效缓解数据稀疏所带来较大的预测误差。同时,针对传统机器学习算法在文本进行标签特征抽取时会损失一部分语义信息的问题,论文提出了一种改进的深度自编码器,在最大程度保留原文本信息内容的基础上完成对文本的标签抽取。论文主要工作如下:(1)对基于深度学习的自动编码器进行优化,提出了自动编码器的几种改进方式:利用交叉熵增加正则项约束编码器中隐藏层值过大的单元,使绝大多数神经元处于抑制状态,帮助编码器找到主要的标签特征;针对传统编码器在学习数据特征的过程中鲁棒性差的问题,通过一个随机映射函数对输入数据进行破坏,训练破坏后的重构数据和原始输入数据的残差,从被破坏数据重构原始输入数据,进一步抓住数据中的关键信息。通过深度编码器的无监督逐层训练和有监督的微调学习到编码器的结构,对新文本进行特征标签抽取并对改进的方法有效性进行了实验,实验结果表明改进算法在标签提取过程中具有较高准确性。(2)在卷积矩阵分解模型的基础上,使用标签构建分解因子向量,提出一种融合标签标信息的卷积矩阵分解推荐算法(TaSoConvMF),增强了矩阵分解模型的可解释性,运用联合概率矩阵分解分别计算用户-资源、用户-标签、资源-标签三个矩阵的隐式向量,同时融合邻域模型能够很好的解决获取局部信息的问题,并在此基础上联合矩阵分解模型,利用用户和项目的潜在特征向量,达到更好捕获全局信息的目的,将两个互补模型进行集成。根据评分矩阵和标签矩阵联合监督,使用联合概率矩阵分解预测评分值,计算损失并对算法模型参数进行更新,最终实现为用户进行推荐。(3)将TaSoConvMF算法结合深度编码器抽取得到的语义信息标签,在MovieLens和豆瓣数据集上进行实验,实验过程中进一步优化模型参数,并分析模型各参数对实验结果的影响和原因,最后同当今热门Conv MF和PMF算法进行对比,结果表明文本算法预测精度提升分别约3.2和7.5%。