在数据爆炸的今天,人们面对众多的商品或服务,很难从中抉择出自己喜欢的商品或者服务。为了克服信息过载的现象,也同时为了帮助用户在海量的信息中迅速找到对自己有价值的信息,从而节省用户浏览网站、挑选商品或服务所花费的时间,提升用户的体验和忠诚度,将潜在的购买信息转化为真实的效益。基于此,推荐系统应运而生,且发挥着越来越重要的作用。近些年来,卷积神经网络(CNN)模型作为深度学习算法的典型代表之一,己应用到计算机视觉、自然语言处理等各个领域,并取得了不错的效果。在本论文中,我们首先研究了一种基于上下文感知的推荐算法,该算法通过将CNN模型处理的文本信息融入到用于推荐任务的概率矩阵分解模型中,从而提升了预测的准确率。然后分析了应用于自然语言领域的卷积神经网络模型的特点,为了进一步挖掘项目文本之间的信息,提升模型的推荐准确率以及性能,提出了针对其中的卷积神经网络部分的嵌入层及卷积层进行改进的算法。实验结果表明,该算法在提高了模型的准确率的同时也提升了性能。此外,考虑到改进的算法实质上还是一个概率矩阵分解模型,虽然相比传统的矩阵分解模型它解决了部分矩阵稀疏的问题,但是却忽略了用户评分及用户的历史隐式反馈信息等问题。基于此,本文提出了一种融合深度学习的矩阵分解推荐算法。该算法中同样利用卷积神经网络对数据集中的评论等文本信息进行建模然后与SVD++模型中的物品隐含因子部分相关联,同时利用用户评分与文本信息来进行推荐。实验结果也证明,无论是在电影推荐领域还是电子商务领域,该算法充分利用了用户的隐式信息和评论中的有效信息,在一定程度上有效的提升了推荐质量。