近年来，自编码器凭借其良好的数据压缩能力在推荐领域得到广泛应用。研究发现，受推荐系统中数据稀疏性的影响，自编码器模型会因为用户与物品之间缺少交互而在训练过程中产生偏差，从而影响模型的推荐结果。为解决此问题，提出一种基于物品交互约束的自编码器推荐模型。该模型以物品交互情况作为约束条件，设计了新的参数更新规则，规避了由数据稀疏性引入的模型训练偏差。在此基础上，推荐模型还将物品标签信息引入到训练中，通过增加新的数据源来缓解数据稀疏性的影响，提升推荐性能。在3个不同规模和稀疏度的数据集上的实验表明，模型对稀疏数据集具有良好的适应性，能够有效提高推荐的准确性，展现出良好的应用潜力。