互联网技术快速的飞速发展将人类带入了一个前所未有的信息时代,人们创造、存储、查询信息的速度正在以指数量级增长,尤其是电子商务的蓬勃发展使每一个人的生活方式发生了巨大的转变,电子零售商和内容提供商为消费者提供了琳琅满目的商品和丰富多彩的信息以期满足不同类型消费者的喜好与需求。人们浸淫在信息的海洋之中却茫然无措,用户要高效准确的找到符合自己个性化需求的信息或商品则如同海底捞针,只能望洋兴叹。个性化推荐技术作为信息过滤的有效方式极大的缓解了信息过载的现状,在工业界得到了广泛的应用,但仍然存在诸问题亟待解决,因此在学术界推荐技术仍保持着持续的研究热度,加之近年来深度学习方法在各领域都取得了优秀的成果,但在推荐系统领域的应用研究还相对较少。本文首先全面的分析了现有推荐技术中各类方法的优势与缺陷,仔细深入的研究了各方法的原理及适用范围,然后针对现有的协同推荐算法因用户物品评分矩阵的稀疏性影响使推荐系统中的用户相似度计算不准确进而导致推荐质量不高这一问题,提出了基于降噪堆栈式自动编码机的协同过滤推荐算法(Stacked de-noising auto-encoders based collaborative filtering,简称SDAE-CF算法)。旨在将自动编码机引入到推荐系统中,使用自动编码机从用户物品评分矩阵中提取出用户的偏好特征辅助协同过滤推荐任务,提高推荐质量。本文的主要创新点有两点,总结如下:(1)将堆栈式降噪自动编码机引入到协同过滤推荐任务中用于学习用户偏好特征表示,将其作为协同推荐任务初始步骤中的一个重要组件,研究并提出基于降噪堆栈式自动编码机的协同过滤算法(SDAE-CF)。相对于传统的推荐算法中直接将系统全量商品数目作为用户偏好模型的特征维度,本文方法在空间上大大的减少了用户偏好特征表示所需要的维度,得到相对稠密的用户特征向量,为适应于推荐任务场景,对原型的自动编码机的结构和训练策略进行改造,首先在结构上引入噪声模型并进行堆栈,强化了自动机编码提取特征的能力,其次在训练策略上,对共同评分用户进行紧耦合的同步训练方式,减少了超参数的数目,降低针对单个用户的个性化自动编码机的训练难度。(2)在妥协一定准确性的前提下,提出以改进的汉明距离作为用户特征向量的相似度计算方法,使用户之间的相似度计算变得简洁高效,并与采用其他相似度标准计算所得的推荐结果进行比较,实验证明使用该方法作为用户间的相似度计算标准仍然可以达到较好的推荐性能。综上,本文通过在协同过滤推荐任务中引入自动编码机来构建基于堆栈式降噪自动编码机的协同过滤模型,该模型有效的缓解了推荐系统中由评分矩阵过于稀疏引起的相似度计算不可靠、推荐精度下降的问题。另外,本文提出的算法模型在隐性反馈的数据集上针对Top-N推荐任务具有较好的扩展性。在MovieLens电影评分数据集上的实验结果表明了SADE-CF算法的有效性。