推荐系统由于可以缓解大数据时代信息爆炸式增长带来的信息过载问题,成为近些年来发展十分繁荣的领域,备受学术界及工业界瞩目。目前,推荐系统已经借力深度学习技术实现了飞速发展。深度推荐算法利用神经网络强大的特征抽取以及特征建模能力,可以充分表征用户喜好,实现精准的推荐目标,具有十分重要的现实意义和广阔的应用前景。然而,现有的深度推荐算法往往需要堆叠非常深的网络深度以实现较好的推荐效果,对计算资源和实际应用部署是一个很大的考验。并且当用户的历史行为很有限时将陷入用户冷启动困境,常规的深度推荐算法将很难发挥作用。此外,人工设计的固定网络结构大大限制了深度推荐模型的可扩展性以及多样性,且模型统一对待所有用户输入的处理方式无法真正突出用户个性化的特点,对推荐效果以及推荐效率都有比较大的影响,成为推荐系统领域亟需解决的痛点问题。因此,本论文提出基于用户自适应策略的深度推荐算法,真正做到把每个用户都当作独立且个性化的存在,实现用户自适应且快速而准确的推荐目标。具体地,本论文研究内容及贡献包括以下三个方面:1.提出基于用户自适应网络深度选择策略的深度推荐算法。针对现有深度推荐模型网络深度过深且统一对待所有用户输入导致推荐效果及效率不佳的问题,设计一种用户自适应网络深度选择策略,能够根据不同用户输入自适应地选择网络深度,减少模型的计算开销,大大加速模型的整体推断过程,为用户提供快速而准确的推荐服务。2.提出基于用户自适应微调策略的跨领域深度推荐算法。针对用户历史行为很有限时形成用户冷启动困境的问题,在预训练-微调范式解决方案中设计一种用户自适应微调策略,能够在微调过程中根据不同用户输入自适应地微调预训练模型参数,最终在跨领域深度推荐系统中展现出良好的性能,缓解冷启动场景中的精准推荐问题。3.提出基于知识蒸馏及神经架构搜索的自适应深度推荐算法。前面两部分研究内容所涉及模型过于庞大,且人工设计的固定网络结构大大限制了深度推荐模型的可扩展性以及多样性。在此实现一个通用的自适应深度推荐框架,将知识蒸馏以及可微神经架构搜索二者巧妙结合,为推荐社区提供一种新的设计理念以及设计范式,即设计出更小、更快、更灵活的深度推荐框架,同时保持着优异的推荐性能,推动深度推荐领域更好更快向前发展。