随着4G时代的到来,推荐系统作为大数据时代的产物在电子商务、信息检索以及移动应用、社交网络等众多领域都取得了不错的发展。伴随着这些应用的发展用户和产品数目不断增长,数以亿计的资源信息被产生,数据的规模不断壮大,致使推荐系统面临着前所未有的挑战。主要包括数据稀疏、可扩展性和冷启动等问题,这些问题俨然已成为了影响推荐质量的主要因素,研究者们在学习过程中提出了多种方法来克服这些问题。但是针对形态各异的问题不同的推荐算法存在各自的优劣点。为此本文综合分析了国内外的研究现状,针对推荐系统中的数据稀疏、冷启动、用户特征随时间动态变化及不同用户对同一特征依赖程度不同等问题,分别从改进算法及构造新的数学模型等方面对推荐系统开展了细致地研究,主要工作成果如下:1.提出结合用户特征分类和动态时间的协同过滤推荐。本文主要通过加入用户特征信息及特征动态变化因子来改善协同过滤推荐存在的不足,首先构建特征分类树、并根据用户间相同特征数目引入一种自适应的权重模型改进了计算特征相似度的方法。同时还分析了用户特征动态变化这一因素对推荐结果的影响,通过引入一个包含时间跨度的衰减函数来改善用户特征动态变化问题对推荐精度的限制。最后针对冷启动问题利用sigmoid函数将上述基于用户特征模型与传统协同过滤推荐模型相融合,通过平滑地过渡来灵活地计算用户间相似度。为了突出本文算法的有效性,从推荐结果的准确率、精度及召回率等方面进行了验证。实验结果表征结合用户特征分类和动态时间的协同过滤推荐不但能够提升推荐精度、准确率和召回率,同时对推荐系统面临的冷启动问题也起到了一定的缓解作用。2.提出基于降噪自编码的推荐算法。自编码神经网络隶属于模型的方法,它能够提取数据从低层到高层的特征,发现隐藏在样本间潜在的相关性,为了提高推荐系统的推荐质量将该模型应用于推荐系统。针对原始数据之间的冗余度问题,本文采用ZCA白化技术对原始数据进行转化、去相关。同时为了增强自编码神经网络的鲁棒性,本文还对自编码模型进行了改进,提出了基于降噪自编码的推荐算法,主要是在利用自编码模型进行训练时加入了随机噪声来克服自编码神经网络将输入样本直接复制输出的问题。实验结果表明引入ZAC白化和降噪后的自编码模型能够有效地提高推荐的精度。