在大数据时代的背景下,海量的信息给人们的日常生活带来了很多困扰。推荐系统能有效缓解信息过载的问题,帮助人们找到自己真正感兴趣的信息。隐式反馈是推荐系统研究的方向之一,其中包含有大量的用户行为数据。对基于隐式反馈的推荐系统研究有助于发掘用户的潜在兴趣,并提升用户体验。近期,深度学习在自然语言处理及机器视觉等领域大放异彩。将深度学习引入推荐系统领域,并利用深度学习技术挖掘隐式反馈数据中的潜在信息,有望改善推荐系统的性能。在基于深度学习和隐式反馈的推荐算法研究中,完成的主要工作如下:1)提出了基于注意力机制的深度协同过滤模型。该模型保留了协同过滤方法的思想,由广义矩阵分解模型和基于注意力机制的深度神经网络模型组成,分别用于提取隐式反馈数据中的线性、非线性特征。实验结果证明,该模型在隐式反馈数据下的推荐性能较传统方法有所提升。2)提出了基于残差网络和注意力机制的隐式反馈推荐模型。该模型采用残差网络、注意力机制和深度神经网络构建,具备捕获隐式反馈数据中潜在模式的能力。在多个公开的数据集下进行了大量实验,并与不同的隐式推荐算法比较。结果表明,所提出的模型在不同评价标准上均有所改善。