伴随着互联网的蓬勃发展,我们早已处于“信息过载”时代,从海量数据中快速获取有效信息变得愈发重要。因此,推荐系统作为解决“信息过载”难题的有效方式,具有重要的研究意义。随着深度学习技术在推荐系统中的广泛应用,以及学者们逐渐开始将社交信息作为推荐系统输入特征之一,在一定程度上解决了传统推荐方法的泛化能力弱和数据稀疏问题。但二者还存在一些局限性,一方面,现有的基于社交特征的推荐方法大多通过挖掘用户的历史社交行为来为不同用户之间的影响值赋予固定的权重,却忽略了用户之间的影响值在用户与不同项目的交互过程中会发生变化。另一方面,现有的深度学习推荐模型大多是基于离线模式构建的,这种模型无法在连续学习新任务的同时保存大部分以前已经学习到的知识,即不具备增量学习的能力。针对上述问题,本文首先在深度神经网络中引入了协同注意力机制充分学习用户社交特征,保障推荐结果的准确性。其次,将生成对抗网络与改进后的弹性权重巩固算法相结合,提升推荐模型在学习连续任务时的性能。本文主要工作如下:（1）针对现有社交推荐方法未考虑到的用户间影响值在用户与不同项目交互过程中会发生变化的问题,设计了一种融合社交网络特征和协同注意力机制的推荐方法。首先,利用Deep Walk技术学习隐藏在社交网络中的用户社交特征高维表示并作为一种新的特征输入推荐模型;其次,设计了基于协同注意力机制的深度神经网络推荐模型（co-Attention Deep Neural Network Recommendation Model,c A-DNRM）,其中的协同注意力模块能够处理多个输入序列并协同学习不同输入序列之间的内在关系,创新性地实现了动态学习不同项目中用户与朋友间的影响权重;最后,在Douban和Epinions数据集上的实验结果表明,与传统社交推荐方法以及基于深度学习的推荐方法相比,HR和NDCG指标均有提升,说明c A-DNRM模型能够更加充分地利用社交网络信息,有效提高了推荐结果的准确性。（2）为了使得推荐模型具备增量学习能力,设计了基于生成对抗网络和改进弹性权重的增量学习方法。首先,利用基于生成对抗网络的回放生成框架模拟符合真实特征分布的旧任务数据,在为后续增量学习算法提供回放数据支持的同时,解决了传统方法需要存储旧任务样本导致内存空间较大的问题;其次,针对传统正则化增量学习方法在神经网络模型长期学习时共享参数子空间的交集越来越小,参数约束误差积累较大的问题,设计了基于参数剪枝的重叠子空间扩展策略对弹性权重巩固算法进行了改进,依据参数对于当前任务的重要程度决定是否剪枝从而扩展共享参数重叠子空间;最后,在split MNIST和permuted MNIST数据集上的实验结果表明,本文方法增强了推荐模型的增量学习能力,且ACC指标优于基线方法。