在如今的信息化时代,每天都会产生大量的数据,这为用户寻找所需要的内容带来巨大的困难。为了帮助用户从大量数据中筛选出重要信息,个性化推荐系统便应运而生。其算法核心是分析用户历史行为,预测用户偏好,再从数据中挖掘符合用户偏好的内容并推荐给用户。然而由于算法原理的局限性,传统推荐算法不可避免的存在数据稀疏和冷启动问题。近年来深度学习的出现为推荐系统的研究指明了新的方向。但现有基于深度学习的推荐算法往往默认用户偏好一成不变,更没有针对用户评分序列的时序性进行建模,导致在特征提取过程中难以提取到特征之间的相关信息。另外现有方法没有考虑真实场景下存在的数据缺失、错误等问题,以至于模型推荐效果不佳,缺乏鲁棒性。针对以上问题,文本提出两种基于自编码器表征学习的top-N推荐算法。首先,针对现有推荐算法忽略用户偏好动态变化,以及没有根据时序数据建模导致输入特征内部相关性提取不足的问题,提出一种基于注意力自编码器和LSTM的top-N推荐算法。该算法首先基于自注意力机制设计编码模块,计算时间序列中内部特征的相关性,同时存储用户不同时期的偏好变化信息并形成特征编码。然后利用LSTM处理时序信息的有效性构造算法预测模块,分析特征编码中的隐含信息,进而预测用户对物品的打分并排序,制作top-N推荐榜单。然后,针对现实场景下数据存在用户操作不当造成的评分误差,以及信息缺失和错误等问题,提出一种基于栈式降噪自编码器和孪生神经网络的top-N推荐算法。为了模拟真实数据中存在噪声的问题,该推荐方法首先在原始输入数据中加入噪声,然后将带有噪声的数据输入第一层自编码器。之后再利用第二层自编码器学习特征编码。将学到的特征编码输入LSTM与孪生神经网络结合的预测模块预测用户评分并排序,确定top-N推荐列表。最后,在MovieLens 1M数据集和Movie Lens 100k数据集上进行实验,验证本文提出算法的有效性。