随着电子商务规模的不断扩大，用户需要浪费很多的时间才能从众多商品中找到自己想买的商品，这便是由于信息暴增导致的信息过载问题。而推荐系统正是为解决此问题而被提出，通过对海量数据进行挖掘，以帮助电子商务网站为其顾客购物提供完全个性化的决策支持和信息服务。近年来，对深度学习中神经网络的研究不断深入，为推荐系统的研究方向提供了新的研究思路。而基于神经网络的推荐系统算法，在算法的预测精度上远远领先于其他传统的推荐系统模型，可以更加完善地为人们提供个人电子商品决策支持和信息服务。基于海量数据，推荐系统不仅要求有着较高的数据精度，并且要求有着非常高的运行效率，才能满足人们的需求。然而由于电子商务信息具有大规模高维和高稀疏性特点，一般的推荐系统难以应对，计算效率和算法准确性都较差。针对上述问题，本文重点研究针对基于高维稀疏数据的神经网络推荐系统，提高算法的计算效率和准确性。本文包含以下研究：
　　①提出基于CPU的神经网络推荐模型。由于条件限制，大多数研究依然基于CPU运算。而CPU运算对于高维稀疏数据支持较差，尤其是应用于神经网络模型上。针对此问题，本文提出了基于AutoEncoder神经网络模型的快速推荐系统。针对高维稀疏数据矩阵，本算法对于缺失数据不进行填充，只专注于有效数据，这样可以保证算法的计算效率和算法的准确性。并且本文还提出了基于HogWild的神经网络并行化框架，进一步提高了算法的计算效率。最后，还将模型推广到了深度神经网络，依然取得了良好的效果。实验表明本算法在算法的计算效率和准确性上都有较大优势。
　　②提出基于GPU的神经网络推荐模型。GPU运算对于大规模数据具有天然优势，已经成为了神经网络模型的主流应用平台。但是GPU对于高维稀疏数据支持性较差，难以直接在其平台上运算。为此，本文提出了基于GPU的AutoEncoder神经网络模型。本算法对底层运算进行优化，实现基于CUDA编程的稀疏数据矩阵并行化算法，从而提高算法的计算效率。实验结果表明在高维稀疏数据上，本算法效果显著，明显提高了计算效率。