随着移动互联和大数据的飞速发展,互联网即将从Web2.0时代迈入Web3.0时代,这意味着互联网每日产生的数据量将不断暴涨,“信息过载”问题愈发严重,用户如何在海量数据中得到想要的信息成为当下亟待解决的难题。推荐技术的发展与普及很大程度上缓解了该难题,通过分析用户历史数据获取其喜好从而进行推荐。籍此,该技术迅速在学术界和工业界盛行并应用于诸多领域。目前,越来越多研究者致力于研发各种优良的推荐算法,但现有成果仍然存在一些不足。一是数据稀疏性问题仍然没有得到很好的解决,虽然已经有大量研究证明采用评论缓解评分的稀疏性切实有效,却忽略了评论本身的稀疏性。二是缺少对推荐多样性的深入思考,即使有些方法考虑了多样性也是采用单一的策略,推荐效果欠佳。本文针对以上问题对提升推荐的准确性和多样性开展研究,提出了面向用户多样性需求的个性化商品推荐方法,该方法包括如下两个部分:一、针对评论的稀疏问题,提出了融合近邻评论的GRU商品推荐模型。首先,引入近邻评论的思想,用近邻评论挖掘用户的潜在偏好;然后将矩阵分解得到的隐向量送入多层感知机,获取评分数据的深层非线性特征表示;最后,将基于评分数据和评论文本得到的用户特征和商品特征加以拼接,进行评分预测,将评分高的商品推荐给用户。二、针对采用单一多样性推荐方式的弊端,提出了基于用户需求的生成对抗推荐算法。首先进行多样性用户划分,拥有不同多样性需求的用户采用不同的推荐方法。该算法的生成模型由多生成器组成,每个生成器关注一个项目属性,从而生成多样性项目表示,判别模型评估生成项目并反馈给生成模型使其不断完善,最终推荐与生成项目相似度高的项目。本文在Amazon数据集上对所提出的推荐方法进行对比实验,验证了近邻评论的思想能够有效缓解评论稀疏,并在准确性指标上优于其他模型,而且多生成器网络结构在多样性指标上的也取得了不错的效果。通过对用户的划分,实现为不同的用户提供最适合的推荐方式,满足用户的多样性需求。另外,本文提出的推荐方法使用的数据有评分、评论、商品属性等,这些数据在商品交易网站容易获取,所以本文研究拥有广阔的应用领域和良好的发展前景。