在“信息过载”时代,个性化推荐系统成为研究热点,它可以根据用户信息需求快速主动地进行推荐,省略掉用户筛选、过滤信息的过程,防止用户遗漏重要信息。同时,它又存在一些问题,例如评分数据稀疏和“冷启动”问题。因此,如何有效解决这些问题,准确进行推荐,成为目前主要的研究内容。推荐系统中信息来源有多种:评分数据,项目信息和用户信息。在互联网中,评分数据和项目信息作为公共资源可轻易获取,如果提取项目特征时从项目信息入手,可很好地缓解推荐系统中项目“冷启动”问题。相反,由于涉及隐私问题,可提取用户特征的用户信息难以在网上直接收集。故本文从新的角度获取用户信息,提出了一种对称模型,此模型可同时训练用户信息和项目信息,从而提取特征,并且在此基础上,加入了社区因素。具体来说,主要完成以下几个方面的工作:(1)在回顾和总结推荐系统研究背景及存在问题后,通过对协同过滤算法和深度学习算法深入分析,并在基于社区推荐算法的探究之上,明确了研究方向:第一,社区包含一些隐藏信息,如果在社区中做推荐,推荐准确度会得到提高。第二,结合协同过滤算法和深度学习算法的优势,提出了一种深度协同算法。(2)提出了社区均模型的IBCF算法。通过对均模型、增量均模型和时间均模型的分析,发现都忽略了社区信息。针对这一问题,本文首先将用户向量使用均模型表示,实现社区的快速划分,然后计算社区和整体用户集上项目相似度,利用平衡因子调整两种相似度比例,最后预测用户评分,完成用户推荐。在数据集Movie Lens 100k和Jester实验,结果表明,此算法在保证时间没有大幅度提高的情况下,推荐准确度得到进一步提高。(3)针对协同深度学习(collaborative deep learning,CDL)算法仅利用项目信息提取特征的问题,提出了基于对称SDAE的协同过滤算法。除项目信息之外,用户评分可直观表示用户喜好,通过分析项目信息和用户评分,提取出用户信息。基于对称SDAE的协同过滤算法在利用项目信息的基础上,也可充分挖掘用户信息,这样得到的特征更加精准。实验表明,此算法的推荐准确度要高于CDL算法。(4)提出了基于社区的对称SDAE协同过滤算法。一方面,社区均模型可以快速划分社区,在社区中训练模型可以捕捉社区信息。另一方面,基于对称SDAE的协同过滤算法可以同时从用户信息和项目信息中提取用户特征和项目特征,可有效缓解“冷启动问题”。故结合两者优势,提出此算法。在数据集CiteULike进行实验,实验表明,本算法推荐准确度进一步提高。