随着互联网和电子设备的发展,推荐系统已经充斥人们的生活。但是随着大数据时代的到来,传统的推荐学习方法在处理大量数据过程中,效果不如以前。比如,应用比较广泛的传统推荐系统的协同过滤模型以及其扩展模型,都是浅层模型,大都基于线性内积进行推荐。在大数据时代,大量的用户和商品之间关系越发复杂,浅层的线性模型并不能很好地表达。在特征提取方面,传统的推荐系统需要人们手工进行特征提取,费时费力,得到的效果不佳。在一些权重分配方面,传统的推荐系统,经过复杂的计算,得到的结果并不让人满意。因此,基于深度学习的推荐系统应运而生,在一些复杂关系的表达,特征的提取,权重的智能分配方面,都要优于传统的方法,将深度学习用于推荐系统是一种趋势。本文分别从项目之间的关联、用户偏好以及权重分配的角度来思考推荐算法,并对基于深度学习的推荐算法进行了相关研究。基于本文提出的创新算法,利用线性回归算法,设计了一个融合多种算法的推荐原型子系统。本文主要成果如下:1.本文提出了一种基于项目的卷积协同推荐算法。从项目之间的关联的角度来考虑推荐问题,重点挖掘每个用户交互过的项目和没有交互过的项目之间的潜在信息。将每个用户项目之间的历史信息看作图的形式,利用卷积神经网络挖掘历史交互/未交互项目的非线性关系特征。将每个用户的项目之间的历史信息作为一个低维潜在因子,目标项目看作另一个低维潜在因子,它们的乘积(内积)作为目标项目特征。在两个真实的数据集上证明了他们在个性化推荐任务中的优越性。2.本文提出了一种基于长短期偏好的卷积注意力模型。从用户的偏好和权重分配的角度来考虑推荐的问题。在用户偏好方面,将用户偏好进行细分,同时考虑用户的长期偏好和短期偏好。对于用户的短期偏好,将用户喜欢的物品根据时间进行排序,把这个序列当成一种类似链表形态,将这个序列表示为一个图像的形式。通过卷积神经网络的卷积核在这个序列上进行滑动,得到用户在短期内的偏好信息。对于用户的长期偏好,用LFM潜在因子模型,提取用户习惯特征。在权重分配方面,将拼接好的长期偏好和短期偏好,利用注意力机制智能分配权重,最后向用户进行推荐。在两个真实数据集上通过和其他模型作比较,证明方法的有效性和优越性。3.本文设计了一个融合多种算法的电影推荐原型子系统。对于老用户,该系统用线性回归算法来融合本文提出的两种基于深度学习的推荐算法,补齐了本文的创新算法因为考虑角度不同所带来的短板。对于新用户,利用基于流行度的推荐算法POP进行推荐,解决了冷启动问题。