推荐系统通过分析用户的兴趣爱好,从互联网的海量信息中挖掘用户可能感兴趣或需要的信息资源或物品,从而为用户做出相应的推荐。目前主流推荐方法对于数据密集型任务有很好的推荐效果,但在某些实际场景中,因收集成本较高等原因而难以获得足够的数据,不充足的样本易导致过拟合、模型表达能力不足等问题,进而影响推荐效果。因此,需要研究基于小样本数据的推荐方法以缓解数据有效样本不足的问题。目前小样本学习已用于解决机器学习领域中模型因样本不足而无法得到充分训练的问题,在目标检测、命名实体识别、文本分类等多种任务中取得较大进展。在推荐领域中,尽管数据样本不足的问题存在已久,但还没有成熟的解决方案。在数据样本不足的场景下,其研究面临以下三个挑战:（1）正样本数量不足。庞大的物品、用户数量和极其有限的正样本数量将导致推荐系统中典型的数据稀疏问题,甚至导致用户或者物品冷启动问题;（2）信息量不够导致特征表示不准确。样本信息量不够导致特征提取不充分,如何从数量有限的样本中提取具有强表达能力的特征是一大挑战;（3）过拟合问题。基于小样本数据训练的机器学习或深度学习模型容易因正样本数量不足和信息量不够陷入对小样本的过拟合,导致对新样本的推荐能力下降。针对上述挑战,本文从数据量不足和信息量不够两个主要角度进行研究,解决模型训练时的过拟合问题,缓解小样本数据对推荐效果带来的负面影响。一是针对数据量不足的问题,本文以Web服务推荐中Qo S预测问题为研究对象,提出利用现有稀疏数据增扩训练数据集,通过算法生成伪数据来扩充原始数据集,从而缓解数据稀疏性问题;二是针对信息量不够的问题,本文以电子商务商品推荐问题中的商品评分预测任务作为研究对象,利用商品的评论文本作为信息补充,提出一个增强的原型网络模型,实现训练场景和测试场景的匹配,设计特征编码器提取强表达特征,解决极少样本情况下的模型训练问题。本文的研究工作主要包括以下3点贡献:（1）提出了一种基于数据增扩的推荐方法。为了缓解服务推荐中数据量不足的问题,本文使用现有稀疏数据来增扩训练数据集,从而增加数据密度,提高模型预测的准确性。该方法包括两个主要步骤:首先,使用基于欧式距离的相似度度量的方法选择出近邻用户,并将近邻数据增加到原始数据集中;然后,基于增扩后的数据集对模型进行训练来实现服务推荐,该方法中使用的模型可以任何基于神经网络的推荐模型,本工作中推荐使用神经协同过滤模型。（2）提出了一种基于评论文本原型网络建模的推荐方法。针对小样本环境下信息量不足的问题,本文提出将商品的评论文本作为补充信息,利用原型网络和自然语言分析的方法,在用户交互商品数量不足的场景下提高推荐准确性。具体来说,首先,将用户对商品的评论数据随即划分为支持集和查询集;其次,将支持集中的评论信息特征进行聚合并获得一个聚合中心;接着,查询集中的评论信息特征与聚合中心进行比较,通过优化模型使得两者距离缩小。训练完成后,模型根据用户现有的评论和待评价的物品的特征预测推荐评分。该方法的核心之处在于使训练场景和测试场景保持一致,利用评论补充信息,解决极少样本情况下的模型训练问题,来达到更好的预测性能。（3）本文的基于数据增扩的推荐方法在当前学术界广泛使用的Qo S公开数据集WSDream上进行了实验,在多种不同的稀疏度上与现有主流的Qo S预测方法进行了性能对比。本文的基于评论文本原型网络建模的推荐方法在Amazon和Yelp评论数据集上进行了实验,与现有主流推荐方法进行了性能对比,并对多个参数进行了分析。两个部分的实验分别从数据量不足和信息量不够两个角度验证了本文所提出的推荐方法能在一定程度上缓解数据样本不足的问题,并具有更好的推荐准确度。综上,针对小样本场景下的推荐问题,提出了一种数据增扩方法和一种基于评论文本原型网络建模的推荐方法,两种推荐方法从两个不同的角度去缓解推荐过程中数据样本不足的问题,达到提高模型推荐准确度的目的,最后通过实验验证了所提方法的有效性。