随着信息技术发展,互联网已经成为了我们日常生活中不可或缺的一部分,但是,网络在带给我们便利的同时,也产生了信息超载问题。为了缓解信息超载的负面影响,研究者们提出了个性化推荐技术,帮助用户过滤信息。个性化推荐技术发展至今,被广泛应用在商业、社交、旅游等领域,研究者们发现,将神经网络模型运用到推荐系统中,可以有效地提高推荐算法的信息处理能力。然而,结合神经网络模型的推荐算法在模型性能上提出了更高的要求,这对算法的设计提出了很大挑战。在众多的推荐算法中,基于降噪自编码器模型的Top-N推荐算法在预测结果时,仅仅依据用户的评分次数作为评判用户喜好的标准,对影响用户兴趣的其他因素考虑不够周全。降噪自编码器模型在训练数据时,忽视了加噪操作的随机性对数据矩阵特征表达的影响,从而影响预测结果准确性。针对这些问题,分别设计了解决方案。首先,为了解决Top-N推荐中评分矩阵对于用户兴趣偏好考虑不全面的问题,提出了一种新的用户兴趣度衡量标准。在预处理阶段,以用户的具体评分值作为补充,修正了用户每次评价产品时产生的兴趣度。将改进后的用户兴趣度矩阵作为新的输入矩阵在Top-N推荐中训练,可以增加特征矩阵中的关联数量,从而提高预测结果的准确性。其次,为了解决降噪自编码器模型噪声分布不均的问题,提出一种用于Top-N推荐的多重降噪自编码器模型。相较于经典自编码器模型,改进后的模型利用多次低加噪率的加噪操作代替了经典自编码器模型的单次加噪。然后,将不同层次加噪得到的预测结果与一个无噪声的预测结果结合,在保证训练获取的数据鲁棒性的前提下减轻了随机加入的高斯噪声对原始矩阵特征表达完整性的影响。并且,为了验证方案的有效性以及可拓展性,在矩阵分解模型的基础上改进了模型的Dropout层,使模型可以更全面地保留数据矩阵本身的特征表达。经过实验验证,本文提出的改进评分机制的方案在提高Top-N推荐的预测准确度上有一定优势,而改进加噪操作的降噪自编码器模型和矩阵分解模型在模型的收敛速度以及预测准确度上都有所提高。