葛 涵，张志勇，张红良

(北华大学文学院，吉林 吉林 132013)

1 引言

互联网用户快速增长与网络数据规模不断扩大，使人们从信息匮乏时代逐渐步入信息化时代，同时促使了Web社区层出不穷，作为社交网络的关键组成部分，其发展速度持续高涨。Web本意指蜘蛛网与网的意思，在网络中称其为网页。越来越多用户因为兴趣汇集到Web社区中。在满足人们互动需求的同时也带来了信息过载问题，因此，推荐系统应运而生。信息创造者竭尽全力让自己生产的信息在网络中脱颖而出，获得更多关注；同时，用户也通过该系统获取感兴趣的信息。为改善推荐效果，提高用户满意度，数据过滤算法显得尤为重要。

邢长征[1]等人将填补算法与改进的相似度算法相结合实现大数据协同过滤。首先采用填充方法任意填充部分数据，并在预测评分时融入项目属性信息；再利用相似度方法，根据迭代多次后项目评分高低完成最终过滤。陶维成[2]等人提出灰色聚类协同过滤算法。定义推荐系统中用户项目评分矩阵、灰色绝对关联度与相似度等；确定灰色关联聚类协同过滤算法计算步骤；最后将不同算法在规模不同的数据集下进行实验。

上述两种数据过滤算法改善了推荐系统性能，但是依旧存在数据稀疏等问题，导致数据过滤不够全面，进而降低用户体验。为此，本文利用无限深度神经网络算法实现Web大数据的协同过滤。深度神经网络(Deep Neural Network，DNNs)与其学习方法，作为成功的数据分析算法，已经被各行业所熟知。……