近几年,随着信息技术的发展,网络中产生了大量的数据。推荐系统可以通过分析与用户相关的数据,自动向用户提供所需的信息,缓解了海量数据带来的信息过载问题。然而,由于数据量的持续增长,传统方法实现的推荐系统性能难以进一步提升。深度学习技术具有处理异构、多模态等特征数据的能力,可以自动学习数据的深层次特征。因此,在传统推荐算法长期无法得到突破的背景下,基于深度学习推荐系统的研究逐渐受到越来越多的关注,成为了推荐系统领域的研究热点。本文主要研究深度学习推荐领域中的评分预测和Top-K推荐。以提高推荐性能为目的,对特征提取、混合推荐算法、注意力机制和兴趣漂移等进行了研究。具体的研究内容如下:首先,通过分析得出,用户对项目的评分结果不仅受用户兴趣的影响,还受用户评分倾向和项目质量的影响。本文在LFM算法的基础上,提出了一种改进的LF-TaQ算法。该算法不仅能提取出用户和项目的隐藏特征,还能够提取出用户评分倾向和项目质量的特征。算法从整体角度对数据进行处理,提取用户和项目的低维特征,有效弥补了基于内容的深度学习推荐算法的缺陷,为深度学习混合推荐算法模型的研究奠定了基础。接着,在基于内容的MLP推荐模型中引入了新的特征,提出了一种基于特征组合的混合推荐算法模型。该模型把用户项目数据与交互数据分开进行训练,具有较好的稳定性和可解释性。通过对不同数据的特征提取,可以有效地克服数据稀疏性的影响,提高模型预测的精度。最后,为了能够准确的表示用户当前的兴趣特征,提出了一种融合注意力机制和兴趣漂移的推荐算法。针对兴趣漂移问题,提出了一种数据预处理方法,消除了当兴趣漂移发生时新数据不能有效修正模型的问题。然后,在注意机制模型的基础上,加入兴趣漂移单元,从不同角度优化用户兴趣的特征表示,提高了模型的性能。该论文有图31幅,表13个,参考文献80篇。