协同过滤是一项重要的推荐系统技术,使用户在短时间内得到精确的信息的同时,为用户提供良好的使用及购买体验,从而成为商家获利的重要手段。协同过滤主要根据已有经验来预测用户的兴趣偏好和行为模式,为用户过滤掉不必要的信息。至今,协同过滤算法已经发展出不同的细分领域,每个子领域都有其独特的优势和良好的应用。根据支持向量回归(Support Vector Machine,SVR)在传统机器学习问题中预测准确性较高的特点,本文主要研究支持向量回归对协同过滤方法的改进。首先针对数据强稀疏性制约协同过滤算法推荐准确性的问题,提出基于稀疏分段的改进方法。这种方法首先利用基于迭代预测的支持向量回归在解决小样本高维数据中的优势,预测稀疏U-I矩阵中相对弱稀疏的密集数据部分的缺失评分;然后使用基于项目的插补协同过滤方法预测剩余数据的缺失评分。实验表明,在多个公开数据集中,该方法适用于强稀疏数据集的推荐,与基于项目协同过滤方法相比,能够取得较好的预测结果。在此基础上,为了使支持向量回归在协同过滤中能够应用于更大规模的数据集,根据神经自回归模型方法和支持向量回归在深度学习中的应用,提出基于深度支持向量自回归的协同过滤方法。通过将神经网络最后一层的激励函数替换为线性支持向量回归函数,为每一个用户建立单独的自回归模型,能够对大规模数据集进行预测。在多个公开数据集中的实验表明,该方法在将神经自回归分布模型用于协同过滤的基础上,并通过支持向量回归的激发函数学习一个基于最小边缘的对数损失,使协同过滤的预测效果得到提升。在对用户的未评分项目预测之后,本文使用Top-N推荐方法进一步得到推荐结果,从而评估文中改进的协同过滤方法的实用性。