1、隨著電子商務(wù)網(wǎng)站中商品數(shù)量和種類的增多，消費(fèi)者需要花費(fèi)更多的時(shí)間進(jìn)行商品的篩選，這種信息過(guò)載的現(xiàn)象困擾著人們對(duì)有效信息的選擇。為了解決以上難題，推薦技術(shù)進(jìn)入了人們的生活，協(xié)同過(guò)濾推薦是應(yīng)用最廣泛的推薦技術(shù)。然而隨著網(wǎng)絡(luò)人群數(shù)量日益增長(zhǎng)，協(xié)同過(guò)濾推薦系統(tǒng)中的數(shù)據(jù)變得越來(lái)越稀疏，這將影響用戶間的相似度計(jì)算精度，使得將大量的用戶群體聚類成不同的群組變得困難，影響近鄰用戶的選擇。同時(shí)近鄰群組的好壞會(huì)對(duì)推薦系統(tǒng)的推薦效率產(chǎn)生較大影響。針對(duì)上述情況

2、，本文從如何改善聚類、緩解數(shù)據(jù)稀疏問(wèn)題和計(jì)算用戶相似度方面著手，對(duì)推薦系統(tǒng)進(jìn)行研究，以提升推薦系統(tǒng)的推薦質(zhì)量。
　　首先，針對(duì)K-means依靠距離聚類存在局限性進(jìn)而導(dǎo)致相似用戶不能聚集到同一群組，影響推薦質(zhì)量的問(wèn)題，提出一種基于深度置信網(wǎng)絡(luò)的協(xié)同過(guò)濾推薦算法。該算法根據(jù)用戶和項(xiàng)目評(píng)分矩陣構(gòu)建用戶的特征矩陣；然后采用深度置信網(wǎng)絡(luò)對(duì)用戶特征進(jìn)行訓(xùn)練，根據(jù)得到的頂層神經(jīng)元概率進(jìn)行用戶聚類操作；再計(jì)算目標(biāo)用戶與所在群組內(nèi)用戶間的關(guān)聯(lián)度；

3、最后，選取相似度較高部分的用戶為目標(biāo)用戶進(jìn)行相關(guān)推薦。
　　其次，針對(duì)傳統(tǒng)協(xié)同過(guò)濾推薦算法的數(shù)據(jù)稀疏性問(wèn)題和相似性計(jì)算存在的缺陷，提出一種融合評(píng)分偏離度的深度置信網(wǎng)絡(luò)推薦算法。該算法首先使用深度學(xué)習(xí)的深度置信網(wǎng)絡(luò)對(duì)用戶進(jìn)行聚類操作；然后使用評(píng)分偏離度相似度計(jì)算公式計(jì)算同一群組內(nèi)用戶間的關(guān)聯(lián)度；最后，使用同一群組內(nèi)與目標(biāo)用戶的相似度較高用戶實(shí)施推薦。
　　最后，對(duì)本文提出的算法進(jìn)行實(shí)驗(yàn)考證，并與相關(guān)算法進(jìn)行實(shí)驗(yàn)對(duì)比，分析實(shí)驗(yàn)結(jié)