目前,推荐系统已经成为解决信息过载的重要工具,协同过滤算法是推荐算法中的应用较为广泛的算法。但随着数据量的不断增加,数据稀疏性问题和可扩展性问题成为限制协同过滤算法性能提升的重要因素,研究者对此进行了大量的研究。对于数据稀疏性问题,增加辅助信息及扩充样本能够有效地缓解该问题。基于网络学习的推荐算法能够从用户的历史行为数据中更充分地学习用户偏好,并在一定程度上缓解推荐中可扩展性问题。在基于用户的协同过滤算法中,从所有用户中选取信息核,并利用信息核进行协同过滤推荐,能够提高在线推荐的效率,有效地解决可扩展性问题。考虑不同方法的特点,本文研究基于神经网络与信息核的物品推荐方法,以缓解稀疏性和可扩展性问题,同时提升推荐性能。具体工作如下:(1)提出了一种基于矩阵分解与神经协同过滤的物品评分预测方法,首先将用户物品评分矩阵通过矩阵分解方法,得到用户特征矩阵和物品特征矩阵,基于得到的用户特征矩阵,构建最近邻居特征矩阵,然后,利用神经协同过滤网络提取嵌入层的用户特征和物品特征,最后,将不同的用户和物品特征输入全连接神经网络,通过训练全连接神经网络学得用户的兴趣偏好,从而实现用户对未评价物品的评分预测。实验结果表明,基于矩阵分解与神经协同过滤的物品评分预测方法能够有效地缓解数据稀疏性影响,更充分地学习用户物品之间的联系,获得较高的预测评分准确度。(2)提出了一种基于自编码器与信息核的混合推荐方法。首先,利用物品的邻居信息构建虚拟物品进行样本集扩充,以缓解数据稀疏性问题,然后利用基于自编码器的推荐模型进行训练,并提取隐层的信息,将其作为信息核用于协同过滤推荐,最后,将自编码器模型的预测评分与基于信息核的协同过滤的预测评分相结合,并进行top-N推荐。实验结果表明,基于自编码器与信息核的混合推荐方法能够更充分地学习用户的偏好,并在缓解可扩展性问题上实现二者的相互增强,获得更高质量的推荐性能。(3)提出了一种基于物品相似性与聚类的双分支自编码网络推荐方法。首先,为了进一步地缓解数据稀疏性问题,利用物品相似性和聚类算法分别构建了相似虚拟物品集和聚类虚拟物品集。然后,构建了双分支自编码网络结构,其隐层采用了多通道编码方式更充分地挖掘用户信息,最后,将两种扩充样本输入双分支自编码网络中通过训练学习用户的偏好,并实现物品推荐。实验结果表明,基于物品相似性与聚类的双分支自编码网络推荐方法能够进一步地缓解稀疏数据的影响,提高了推荐的准确度,将其比现有的基于自编码器推荐框架的一系列算法相比,该算法在top-N推荐性能上具有较大的优势。