在信息爆炸的时代,推荐系统成为信息生产者与消费者之间供需匹配的桥梁。信息内容丰富且形式多样,这启迪了推荐系统的设计思路:可以融合多种内容信息,提升推荐质量。混合型推荐系统可以充分利用不同的信息源,发挥不同类型推荐系统的优点。本文研究了基于融合内容信息的混合型推荐系统,主要工作有:（1）改进基于内容的方法。传统的推荐系统利用用户给出的显式反馈单模态评分数据,学习到的表征存在偏差,给出的推荐会缺少多样性和新鲜感。为了缓解这一问题,本文提出了 DEAMER 模型（Deep Exposure-Aware Multimodal contEnt-based Recommender）,它融合了多模态的内容信息,并联合利用显式评分和隐式交互信号。DEAMER模拟了推荐系统中的展示-评价过程,即商品只有展示给用户,才会被用户评价。DEAMER通过匹配多模态的用户和商品内容特征来生成展示状态,再根据展示状态来预测评分值。实验结果表明,DEAMER在推荐任务上的性能优于先进的浅层和深层推荐模型。（2）提高推荐系统的可解释性。设计有说服力的商品文案生成器,可以为在线销售提供推荐商品的解释,从而提高推荐的成功率。然而,标签数据和判断标准的缺乏给设计这样的文案生成器带来了严峻挑战。为了解决这一问题,本文提出了有说服力的商品文案生成器（SnIppet Loading Via intErest Relevance,SILVER）,其中设计了数据级、知识级和模型级的解决方案。实验结果表明,SILVER能够生成流畅、新颖、充实的文本描述。（3）缓解了部分推荐系统不易获取大量训练样本的问题。大数据平台（如Spark）有许多系统参数,不同的参数设定会影响工作程序的性能。机器学习模型能够为这些工作程序推荐更高效的参数。然而,机器学习模型通常需要大量的训练样本。在工作程序要处理大数据的背景下,获取一次样本的成本已经不低,这使得获取大量的训练样本变得不现实。对此,本文提出一种新思路,事先缩小工作程序要处理的数据规模,降低每个训练样本的获取成本,从而获取更多的训练样本,用来预测在处理完整数据时的性能。本文验证了多种机器学习模型在此推荐场景的适用性,实验结果表明决策树和集成模型能推荐高效的参数。