随着大数据时代的到来,各大互联网公司对数据越来越重视,各大国内外的电商网站的实际需求是推进推荐算法研究的动力。国内外的电商网站和社交网络,最常见的推荐算法是根据用户的历史行为数据来推荐用户可能会购买的或者感兴趣的商品或者话题。协同过滤作为目前推进系统中应用最为广泛的算法,也是未来推荐系统的重点研究对象和推荐系统的发展方向。其优势在于能通过用户-商品的评分矩阵来挖掘出用户的隐藏特征,并且其处理复杂信息的能力能够使其很好的适用于实际应用环境。针对协同过滤存在如数据稀疏性、冷启动等问题。本文结合商品的评论信息来进一步改进算法,标签生成采用抽取关键词来完成,进一步通过改进的自动编码器从标签中挖掘出商品特征矩阵,填充好原始矩阵后,依据上下文语义划分子群组,最后利用预测结果好的子矩阵来产生近似矩阵从而得到预测结果。具体如下:针对评论语料随意性、无结构、口语化等特点,现有的标签提取的方法从评论短文本中提取出的标签存在标签冗余、语义不独立等问题。因此改进了K-means聚类的标签生成方法,该方法保证语义独立的同时依据其每个聚类中标签分数值来选取商品标签。实验结果表明改进的方法保证标签相互独立的同时保证了标签准确性。针对单层自编码器挖掘隐藏、克服数据稀疏性能力不足的问题。本文将稀疏自编码器和边缘降噪自编码器组合为稀疏边缘降噪自编码器。同时具有着两种编码器的特点,稀疏边缘降噪自编码器即能够对数据输入的噪声干扰有比较好的鲁棒性,也能克服边缘降噪自编码器的计算难度大和消耗时间长的难点。针对传统的协同过滤方法存在稀疏性、冷启动问题,论文利用评论文本信息和上下文信息来缓解数据稀疏性和冷启动的问题。具体改进了基于改进子群组的协同过滤推荐方法,论文着重研究评论文本和上下文信息对推荐的作用,所以将商品标签表征为标签向量,通过自动编码器进一步提取隐藏特征,最后通过子群组划分后的潜在信息的迁徙来进一步预测评分矩阵。实验结果表明所提方法有效的利用了商品标签和上下文信息,提高了推荐精度。