随着互联网和信息技术的发展,推荐系统已经成为了一个越来越重要的研究方向。在推荐系统的研究中,有两大比较经典的模型。一是基于内容的推荐系统,二是基于协同过滤的推荐系统。深度学习在自然语言处理和图像领域取得了巨大的成功,其巨大的特征提取能力吸引了推荐系统研究人员的关注。在深度学习与推荐系统相结合的模型中,一种效果比较好的模型是基于自编码器的协同过滤模型。但是,这个模型没有很好利用数据的稀疏性,导致训练较慢,无法应用于目前的大数据环境。同时,这个模型只考虑了评分数据而忽略了物品本身的信息,对冷启动的场景效果很差。针对以上问题,本文的主要贡献如下:1.本文分析了基于内容的推荐系统和基于协同过滤的推荐系统,在基于协同过滤的推荐系统中,详细分析了以记忆为基础(Memory based)和以模型为基础(Model-based)的协同过滤的优缺点。2.本文通过对一个典型的深度学习模型一一基于自编码器的协同过滤及其输入数据分布规律的分析,提出了一种加速训练自编码器的方法。实验结果表明,在和其他自编码器训练误差可比的情况下,本文方法在训练速度有了很大的提高。3.在前一个工作的基础上,本文分析了多层自编码器模型训练时候遇到的问题,改进了贪心逐层训练方案,使之可以应用到推荐数据。实验结果表明,有效训练的多层自编码器在对评分数据的特征提取能力相比于单层模型有了较大的提高。4.为了解决推荐系统经常遇到的冷启动问题,本文提出了一个融入物品信息到自编码器的方法。在冷启动的场景下,增加物品信息可以有效提高推荐精度。实验结果表明,本文的方法是有效可行的