现如今,人们生活在一个信息爆炸的时代。对于信息消费者来说,他们需要消耗大量的精力和时间来筛选自己感兴趣的信息,而对于信息生产者来说,他们需要考虑如何智能化地向用户推荐其感兴趣的信息。为了解决这一问题,推荐技术应运而生。根据推荐算法的不同,推荐系统可以分成基于内容推荐、协同过滤推荐、混合推荐等等。其中,协同过滤推荐是目前运用最广的推荐算法。但是,由于传统推荐技术的局限性,推荐系统往往存在着数据稀疏性、精度低等问题。深度学习的兴起,为推荐系统领域提供了新思路。在传统推荐技术的基础上,引入深度学习,将更好地解决推荐系统所存在的问题,进一步提高精度。本课题针对推荐系统和深度学习进行了相关的调查、研究、实验和分析,提出了一种基于深度学习的智能化资源推荐模型,卷积长短期矩阵分解模型(CnnLstmMF),方法步骤如下:(1)传统的推荐系统往往使用简单的用户行为数据,如评分数据。而相对于评分数据,评论数据更能反应出用户的真实情感和对某个项目偏爱的具体原因,具有很高的应用价值。因此本课题在采用用户对项目的评分数据的同时,还引入了辅助行为数据,即用户对项目的评论数据。(2)由于传统文本表示方法词袋(Bag Of Words,BOW)模型的局限性以及评论文本处理的难度性,本课题引入高级词向量(Word Embedding)文本表示方法训练用户对项目的评论文本,生成评论文本词向量,并根据其构建评论文本矩阵,作为深度神经网络的输入,深入挖掘评论文本的深层含义。(3)由于卷积神经网络(Convolution Neural Network,CNN)和长短期记忆(Long Short-Term Memory,LSTM)神经网络在自然语言领域取得的成功,本课题将结合两者优点,采用两者组合的方式共同训练评论文本矩阵,生成项目潜在向量,用于重构概率矩阵分解模型中的项目潜在特征矩阵。(4)最后,本课题采用概率矩阵分解(Probabilistic Matrix Factorization,PMF)和深度学习(Deep Learning,DL)相结合的新型混合推荐方法,预测用户对项目的评分,智能化地为用户推荐其感兴趣的项目。通过大量的数据评估,本课题所提出的模型明显优于现有的其他模型,有效地解决了数据稀疏性问题,进一步挖掘用户潜在兴趣,提高了算法精度,提升了推荐性能。