在互联网技术高速发展背景下,网络数据成爆炸式增长及网民数据激增,用户在海量的数据库中寻求有价值的信息是一项巨大的工程,推荐系统正是为解决这一难题的技术方法。其中协同过滤推荐简便易实现,但协同过滤推荐存在着数据稀疏性问题,没有充分利用所具有的数据信息比如标签等,使得评分预测不准确,推荐精度不高。针对上述问题,本文将人口统计学信息及标签信息融入到协同过滤推荐中,提出了基于降噪自编码器融合标签权重的协同过滤推荐算法。本文主要具体内容如下:1)本文首先对协同过滤推荐算法和基于深度学习的推荐算法进行了分析,并讲述了这两类算法的国内外研究现状,对几种的协同过滤算法的差异性进行分析对比。2)本文算法考虑用户评分项目标签对用户评分的影响,使用TF-IDF算法计算用户标签权重矩阵。针对评分矩阵的稀疏性和高纬度问题,算法利用能有效融合各种来源数据且提取数据深层隐含特征的降噪自编码器,来缓解数据的稀疏性并提取用户隐含特征。通过计算用户标签相似性和用户隐含特征相似性,并将两者加权作为新相似度来选取最近邻居用户实现评分预测,有效缓解稀疏性问题。本文在Movie Lens 1M数据集、Movie Lens 100k数据集、book-corssing数据集和Amazon数据集中子数据集电子产品集上将本文提出的新算法与传统的协同过滤推荐算法进行对比,使用不同比例的数据集划分进行实验,通过评价指标MAE值的测试结果证明本文算法因自编码能有效提取用户特征在一定程度上缓解了数据的稀疏性,且利用了用户标签信息进一步提升了推荐精度。