推荐算法是统计学习中重要的分支,在现有的商业环境中得到广泛的应用。近年来,深度学习取得了快速的发展,在图像、语音、自然语音处理等领域取得了巨大的突破。本文从基于传统机器学习的推荐算法入手,延伸到基于深度学习的推荐算法。接着,考虑到现实环境中数据标签不准确的问题,以及二分类的标签无法完全反映消费者的偏好,本文提出了抗标签干扰的推荐算法。为了验证模型的有效性,本文先在公开数据集上对各种推荐算法的预测结果进行比较,并参照学界和业界常用的AUC作为评价指标进行分析。最后利用腾讯社交广告的数据进行实证分析,进一步验证了结果的可靠性。本文得出以下结论:(1)基于深度学习的推荐算法会优于传统的机器学习推荐算法,特别是在社交广告领域。(2)基于抗标签干扰的推荐算法可以对抗数据中存在的噪音,减少对噪音过拟合;(3)基于抗标签干扰的推荐算法可以更好地透过标签反映用户对产品的喜好程度,更真实地反映用户的需求。综合以上三点,基于深度学习的抗标签干扰的推荐算法会取得比传统的推荐算法更高的准确率。最后,结合本文的结论和不足,得到下一步研究的计划和展望。