大数据时代的浪潮已然来袭,个性化推荐作为解决信息过载问题的有效手段,已应用于社会生活各个领域,其市场前景日趋广阔。然而,挑战与机遇并存,特别是随着数据收集能力不断提升、范围不断拓展、规模不断增加,传统推荐算法在信息融合能力方面瓶颈凸显。近年来,深度学习在图像处理、自然语言处理与语音识别等领域取得的巨大成功,其卓越的数据处理能力得到广泛认可。鉴于此,基于深度学习的个性化推荐算法研究成为新的热点。已有研究表明,采用深度学习模型中的栈式自编码器,能够有效融合用户和产品侧信息,有利于缓解个性化推荐的冷启动和数据稀疏性问题。对此,本文围绕基于栈式自编码器的推荐算法开展研究,以进一步提高其Top-N推荐能力,并针对用户行为中的时效问题给出解决方案。首先,针对Top-N推荐问题,提出了基于栈式去噪自编码器的Top-N推荐模型。传统的推荐度量标准旨在减少预测的用户评分与实际评分之间的差距,Top-N推荐关注的是用户实际选择与推荐产品集合之间的契合度,更符合应用需求。本模型利用自编码器的解码功能来重构用户的评分向量,并根据重构后的评分向量对用户进行Top-N推荐。此外,模型融入了用户的侧信息以缓解冷启动和稀疏性问题,并验证了缺失值处理策略对推荐效果的影响。实验表明,本模型在召回率上要优于已有模型。其次,针对用户行为时效问题,首次提出了面向用户行为时效特性的松耦合推荐框架。时效问题是指用户的兴趣往往随着时间推移而变化或波动,一概而论的基于用户历史行为进行判断会损害推荐效果。传统的时效特性处理策略与推荐算法紧耦合,若直接应用于基于深度学习的推荐算法,会使模型的网络结构趋于复杂。对此,本框架首次从数据预处理的角度来处理时效问题,包含时效预处理、推荐单元及推荐综合三个模块。其中,时效预处理模块用于解析用户行为的时效特性,针对阶段性设计了基于异常检测的“面孔”隔离策略。推荐单元直接选用已有推荐算法,无需修改。实验表明,采用“面孔”隔离策略,该框架能够增强原有推荐算法的应用效果。