推荐算法是推荐系统最重要的部分,目前效果最好且应用最多的推荐算法当属协同过滤（CF）推荐算法。随着Internet技术的日益成熟,电商系统的规模不断扩大,系统中的商品数不断增加,给系统带来了大量用户,促进了电子商务系统的发展,但同时也给传统的推荐算法带来了严重的数据稀疏性问题,该问题的存在降低了推荐的精确性。随着对推荐算法的深入研究,科研人员提出了很多缓解稀疏性的方法,如缺省值填充和矩阵分解等方法。近年来,深度学习得到了快速的发展,并且在图像等多个领域中,都表现出显著的优势,受到了众多科研人员的青睐,同时也促进了推荐算法的发展。在本文研究中,通过分析深度学习算法,然后将其应用到传统的协同过滤算法中,以降低数据稀疏程度,进而提高推荐性能。本文重点研究深度学习中的生成对抗网络算法及其变种的相关理论,提出将序列生成对抗网络用于缺失数据的预测,同时提出将评分数据和标签数据结合起来,利用标签数据的时间关系建立基于时间的用户-标签评分矩阵,接着根据用户-标签评分数据的时间序列关系,预测出用户标签评分数据将其填充至评分矩阵中,再利用补全的用户-标签评分矩阵计算目标用户的最近邻居集,可以降低数据的稀疏程度,从而提高CF算法的推荐性能。本文在Movielens电影评分数据集上进行了仿真,结果表明,SeqGAN用于缺失数据的预测是可行的,而基于SeqGAN的协同过滤算法的推荐效果相比传统协同过滤算法也有一定的提升。本文具体的创新点和主要研究内容有以下几点:1.结合用户标签数据和用户评分数据建立用户-标签评分矩阵,然后研究生成对抗网络算法理论及实践方法,将序列生成对抗网络算法用于评分数据预测,从而对用户-标签评分矩阵进行填充以缓解数据稀疏性;2.针对时序数据的时间间隔特征,利用衰减因子对SeqGAN的生成模型和鉴别模型进行改进后用于评分数据预测;3.借助推荐算法的常用评价指标评测本文提出的算法,验证该方法的可行性。通过实验结果可知,和传统User-Based CF、使用众数法和矩阵分解解决数据稀疏性后的协同过滤推荐算法相比,本文所提出的算法在解决数据稀疏性问题上有一定的效果,和基于RBM的协同过滤推荐算法以及基于混合自编码器的协同过滤推荐算法相比,本文所提出的算法在推荐性能上有一定的提升。