推荐系统是现代社会处理数据和信息的重要方法,基于矩阵分解方法的推荐模型可以有效的提高推荐系统性能,但是它会受数据稀疏和冷启动问题的困扰。在真实业务场景里,往往难以收集用户对物品的直接评分,但用户行为等隐式反馈能在一定程度上反映用户兴趣,且易于记录和存储,可以缓解数据稀疏问题。随着深度学习的兴起,对文本信息的挖掘技术越来越成熟,给用户预配置文本信息,也可以丰富推荐系统输入数据来源,并克服给新用户推荐物品时的冷启动问题。基于此,本文从用户行为研究和深度学习提取文本特征两个角度,将基于用户行为的样本置信度加权方法和深度学习提取用户文本特征的方法一起融入矩阵分解推荐模型,提高了推荐系统的性能。具体地,本文将卷积神经网络模块加入用户隐特征向量的先验概率分布假设中,并将基于用户行为的样本置信度信息加入损失函数中,提出了一种混合推荐模型。该模型通过加权交替最小二乘算法来迭代求解用户与物品的隐特征,文中也推导出了混合推荐模型中用户特征向量与物品特征向量的更新公式。实证分析部分,本文使用了知乎真实业务场景下的用户行为数据,实施top-K推荐任务,此场景下给用户推荐的对象是回答。先对影响用户行为的所有用户相关指标以及回答相关指标进行预处理和描述性统计分析,然后使用逻辑回归模型,筛选会对用户点击行为是否发生产生显著影响的特征,并得到行为判别模型。实证表明,交互次数、搜索次数、关注用户数、关注话题数、用户提出的问题数等13个指标的影响显著,判别模型的综合判别准确率达到了73.4%。在构建矩阵分解推荐系统时,混合推荐模型将用户近十天的历史搜索记录作为预配置文本信息,将逻辑回归模型的预测值作为低置信度样本的评分,并依据行为发生次数确定观测到的点击行为样本权重。实证结果表明,在top-K的标准下,本文使用混合推荐模型,对样本数据集里的632个用户推荐2222个不同回答,在推荐列表长度K分别为3、10、20、40、60、80时,推荐准确率调和指标F1分别达到了0.057、0.069、0.066、0.057、0.053和0.046,推荐列表排序指标MRR分别达到了0.080、0.097、0.099、0.101、0.108和0.109。相比较而言,如果使用普通的矩阵分解推荐模型,其推荐准确率调和指标F1分别只有0.025、0.037、0.038、0.033、0.030和0.027,推荐列表排序指标MRR分别只有0.034、0.049、0.049、0.054、0.055和0.052。混合模型在不同推荐列表长度下,不管是推荐的准确性,还是给出的推荐列表中物品排序的合理性,都具有更好的效果。