在大数据时代,互联网上产生了大量的不同题材的内容,导致用户不能快速地获取感兴趣的内容,严重影响了用户的使用体验。为了解决这个问题,推荐系统取得了成功的研究与应用。由于用户对项目的评分能反映用户对项目的喜欢程度,所以大量的推荐算法从用户对项目的历史评分数据中提取有价值的信息,据此提供推荐内容。现有推荐算法通常将用户的历史评分数据表示为高维稀疏矩阵,并从高维稀疏矩阵的评分数据提取数值特征,然而这些算法忽略了隐藏在高维稀疏矩阵评分数据中反映用户喜好的分布特征,从而影响了推荐模型的预测性能和精度。为了解决上述问题,本文提出了两种新的预测模型:1.提出了一种基于稀疏对抗神经网络的预测模型—Sparse GAN,它能够同时从高维稀疏矩阵中提取评分的数值特征和分布特征。首先,利用对抗神经网络在学习复杂数据分布方面的能力,从高维稀疏矩阵中提取评分数据的分布特征;其次,将高维稀疏矩阵中的已知评分和对应的预测评分之间的均方误差和对抗神经网络的目标函数结合,使模型在学习评分数据分布特征的同时,也可以学习局部区域的评分数值特征;最后,在五个真实数据集上进行了大量实验,结果表明该模型与比较模型相比,预测精度有一定的提升。2.提出了一个孪生对抗预测网络模型—SGAPN。该模型采用两个对抗神经网络,分别用于学习高维稀疏矩阵中评分数据的分布特征和数值特征。首先,利用分布特征学习模型预测用户的喜好分布特征,并将该喜好分布特征和评分特征结合用于预测未知的评分数据。该模型消除了Sparse GAN模型中的均方误差和Wasserstein距离的结合所导致的学习偏差;其次,在四个真实数据集上的大量实验,结果表明该模型与比较模型相比,预测精度有一定的提升。3.将提出的SGAPN模型作为推荐引擎,设计并实现了一个基于评分数据的电影推荐系统。该系统主要包含数据处理,推荐服务和推荐结果展示等功能模块。