现如今,各大视频网站都拥有个性化推荐的版块,从国外的Hulu、Netflix到中国的爱奇艺、腾讯等等。对于用户来说,视频的个性化推荐可以缓解视频网站中信息过载的问题,让用户快速找到自己真正感兴趣的内容,从而便捷用户操作、提高用户体验;对于视频网站来说,性能良好的推荐系统可以增加用户黏度,提高网站经济收益。所以在视频网站中个推荐系统是十分必要的。在视频的个性化推荐系统中,用户对视频的在线评分预测是重要组成部分。当下最流行且常用的在线评分预测算法之一是协同过滤中的矩阵分解算法。它的优点是比较直观,并且高效,所以本文将采用矩阵分解算法来展开研究。但是矩阵分解仅以评分矩阵单一信息进行挖掘学习,会因评分矩阵数据稀疏等问题导致推荐精度无法进一步提高,所以本文将在评分矩阵的基础上,引入视频的辅助信息来弥补数据稀疏这一缺点,同时选择深度学习中的堆叠去噪自编码器SDAE,利用其强大的表征学习能力来提取视频辅助信息中的隐藏因子,然后将SDAE从辅助信息中学习到的隐含特征融入到矩阵分解算法中,从而通过更多维度、更深层次的信息数据学习,来获得评分预测精准度的提升。因此,本文提出了基于深度学习的协同过滤评分预测混合模型,来对视频个性化推荐系统中的在线评分进行预测研究。本文主要开展以下工作内容:一、建立基于深度学习的协同过滤评分预测混合模型。首先利用深度学习算法堆叠去噪自编器SDAE,高效学习项目的辅助信息,提取出视频的隐含特征矩阵;其次选择协同过滤算法矩阵分解算法,学习用户-项目评分矩阵的内在特征;接下来将从深度学习中提取出来的项目隐含特征矩阵,融入到矩阵分解中,然后确立混合模型的损失函数,利用随机梯度下降法进行优化,通过训练得到新的高精度预测评分矩阵。二、优化设计。对矩阵分解中用户隐式反馈部分进行局部优化训练,减少计算量,提高整体性能;并且对深度学习中部分超参数大小的选择,利用粒子群方法进行搜寻调优,使混合模型的结果更优,评分预测效果更精准;三、实验验证分析。设计不同层数的SDAE测试对混合模型的影响;验证粒子群对混合模型超参数寻优性能;将混合模型与基线模型、以及其他基于深度学习的评分预测模型作对比实验。实验结果表明,混合模型的学习效果更多取决去SDAE针对某一数据信息学习效果,而不是层数的设计;粒子群算法对混合模型的超参数寻优在小规模数据集上表现效果更好;在对比实验中,混合模型的实验结果优于其他模型,证明了基于深度学习的协同过滤评分预测混合模型性能表现良好,可以进一步提高评分预测的准确度。