自闭症是一种由神经系统失调导致的发育障碍性疾病,近年来,随着发病率和患病人数的增加,该疾病逐渐引起了世界各国的重视。我国在2006年就出台了一系列的优惠政策补助患者家庭。因为该疾病的特殊性,目前投入的社会资源仍不能覆盖多数患者群体。截止2018年底,中国残联注册的自闭症机构有1000多家,但很多机构是由家长创建,机构的正规性无法得到保障。因此加大教育的投入力度、改善以往的教育方法是缓解该疾病带来社会问题的关键。近些年来,人工智能技术飞速发展,在交通、影视、重工业等领域得到了应用,为社会带来了巨大的变革,推荐技术作为人工智能技术的一个重要分支,在商业营销领域得到了广泛的应用,成为商业公司盈利的重要技术手段。在学校图书馆的书籍推荐、社交网络的朋友推荐等领域中也展现了重要的应用价值。本文采集了 PEP3量表对自闭症儿童的评估数据,基于受限玻尔兹曼机的协同过滤模型,围绕推荐系统系统前期构建和后期优化做了两部分工作:第一部分为推荐系统冷启动的研究,即在推荐系统应用之前,根据已有的信息,生成儿童的初始行为数据集。首先,对文本形式的康复训练计划进行数据预处理,通过主题模型完成主题分类,然后使用PEP3量表评估儿童的能力缺失情况,并通过word2vec算法和相似度的计算得到能力和主题间的关系矩阵,参考文档的主题分类结果,生成儿童的初始行为数据集。第二部分是推荐方案的设计,即根据已有的初始数据,建立合适的推荐模型。首先,将冷启动生成的初始数据集作为训练集,受限制玻尔兹曼机（RBM）模型作为推荐模型,考虑到RBM的结构特点,大量的可见层神经元会导致模型的准确度降低,所以引入了隐语义模型（LFM）,对RBM模型的预测结果进行再排序,最后根据预测得分完成Top-N推荐。本文在冷启动步骤中生成的数据集上进行实验对比与结果分析,基于RBM-LFM的混合推荐模型相较单一的RBM推荐模型,在推荐结果的准确率和召回率上都有整体的提升。本文创新点在于尝试将自动化推荐技术与自闭症领域的研究相结合,为改变传统的康复教育方式提供一种解决方案。其次在推荐系统的冷启动环节中,通过主题模型构建和word2vec算法应用,将文本形式的康复训练计划与儿童的评估结果相连接,生成儿童的初始行为数据集,解决了因自闭症的复杂性而难以完成系统冷启动的问题。推荐系统根据量表评估结果,为儿童提供个性化的康复训练计划,家长可以随时随地按照康复训练计划进行儿童成长问题的纠正,不仅可以大大的减少人工成本,而且突破了儿童受教育地点的限制,提升康复训练的效率,缓解该疾病所带来的社会和家庭压力。