随着网络技术和电子商务的快速发展,信息过载问题变得越来越严重。作为解决信息过载问题最有效的方式之一,推荐算法已经成为推动电子商务发展的重要因素。目前,大部分推荐算法会受到数据稀疏的影响。而且,大部分推荐算法在对用户进行画像时仅仅考虑了数据中的显性信息,从而忽略了数据中蕴含的隐性信息。为了解决数据稀疏问题,本文提出一种多属性评分数据处理方法(Multi-criteria Rating Data Process Method,MRDP)对数据进行处理。为了充分学习评分数据中蕴含的隐性信息,本文提出一种基于神经网络的隐性信息学习模型(A Neural Network-based Implicit Information Learning Model,NNIIL),并将其应用到推荐方面。为了验证NNIIL模型在推荐方面的性能,本文将其应用到推荐方面并提出两个算法:基于用户的多属性群组推荐算法(Group-oriented Multi-criteria Recommendation algorithm based on User,GMURec)和基于项目的多属性群组推荐算法(Group-oriented Multi-criteria Recommendation algorithm based on Item,GMIRec)。论文主要完成以下几个方面的工作:(1)针对数据稀疏的问题,本文提出一种多属性评分数据处理方法(MRDP)对数据进行处理。首先,本文提出一种多属性评分数据填充方法(Multi-criteria Rating Data Filling Method,MRDF)对原始数据进行填充;然后,本文提出一种多属性评分数据转换方法(Multi-criteria Rating Data Cnversion Method,MRDC)将填充后的用户评分数据转化为用户群组(每个用户群组可以看作喜好相似的一类用户)评分数据。(2)为了充分挖掘多属性评分数据中蕴含的隐性信息,本文提出一种基于神经网络的隐性信息学习模型(NNIIL)并将其应用到推荐方面。为了验证NNIIL模型在推荐方面的性能,本文提出两种推荐算法:GMURec和GMIRec算法。基于用户的评分数据,GMURec算法利用NNIIL模型学习用户对各个属性的隐性偏好并进行有效推荐;基于项目的数据,GMIRec算法利用NNIIL模型学习项目在各个属性上的吸引力并进行有效推荐。(3)为了验证GMURec和GMIRec算法的性能,本文基于Tripadvisor数据集设计了四套实验。实验结果表明利用NNIIL模型学习评分数据中的隐性信息可以提高推荐方面的性能;而且相对于GMIRec算法数据稀疏性对GMURec算法的影响比较大。