推荐系统是一种特定类型的智能系统,它通过提取用户的属性信息与历史行为信息给用户推荐他们感兴趣的项目（商品,信息,服务等）,为用户节省了大量的时间成本。它在电子商务,社交网络,新闻推荐等应用中扮演着重要角色。近年来随着深度学习在一些领域的成功应用,许多专家学者将深度学习引入推荐系统中,这给推荐系统带来了新的机遇。然而,当人们享受推荐系统带来的便利以及推荐系统给现实生活产生重大意义时,基于深度学习的推荐系统中仍然存在着特征提取不足、推荐结果缺乏解释性、数据稀疏等问题,这使得推荐的准确度不够高。因此,针对现存推荐算法中存在的不足,本文在特征提取,提高推荐结果解释性,解决数据稀疏等方面进行深入的研究,主要内容包括:1)基于多层感知器和因子分解机的层次注意力机制推荐算法。为了缓解特征提取不足,推荐结果缺乏解释性的问题,本文首先提出了一个层次注意力机制模型,以自适应地获取用户的兴趣,并深入分析高阶特征与低阶特征对点击率预测的不同贡献,增强了推荐结果的解释性。其次,为了使高阶特征交互和低阶特征交互对点击率预测发挥不同贡献,本文提出了一种特征交互提取器层,将因子分解机（Factorization Machine,FM）和多层感知器（Multilayer Perceptron,MLP）结合起来,其中,FM提取低阶特征交互,MLP提取高阶特征交互,最后使用线性加权连接层来使高阶特征交互与低阶特征交互发挥不同的作用。实验表明基于多层感知器和因子分解机的层次注意力机制推荐算法缓解了特征提取不足,增强了推荐的解释性。2)基于迁移学习的推荐算法。为了缓解数据稀疏提高推荐的准确度,本文提出了一种基于迁移学习的推荐算法。本文首先寻找一个与目标域相似的源域,然后使用卷积神经网络提取源域与目标域中评论里隐含的特征。为了计算源域与目标域之间的域损失（特征差异）,本文在卷积神经网络中增加一层域适应层。最后在训练过程中减小域损失与源域的分类器损失,这样通过源域数据来辅助目标域数据训练的模型可以完成目标域中的推荐任务进而缓解目标域中数据稀疏的问题。基于迁移学习的推荐算法有效缓解了数据稀疏的问题,推荐效果得到提升。