近年来,随着互联网信息技术的不断发展,线上信息的数据体量、产生速度以及复杂度都在迅速增加,个性化推荐系统已经成为了从繁琐复杂数据中提取信息的重要技术手段,并被广泛应用于工业界中。传统的基于协同过滤的推荐方法,特别是矩阵分解系列的方法在工业界已经被证明是十分有效的,尽管隐式反馈数据如浏览、点击和收藏,相对于显式反馈数据如电影评分、商品评价等,更加容易收集,但是冷启动问题和特征的稀疏性问题仍然是限制推荐系统性能的重要因素。而近几年来深度学习在图形图像和自然语言处理等领域都取得了突破性的进展,证明了其在特征处理方面的优秀性能,因此,将深度学习应用在推荐系统上已经成为了该领域内的一个重要方向。但是现有的基于深度神经网络的模型往往都是对用户和物品的内容特征进行处理,而推荐系统的关键之处在于对用户与物品之间的交互关系进行建模,在这一点上并没有直接应用深度学习的研究,更多的还是直接利用生成的隐向量编码输入到矩阵分解框架里。在本文中,我们提出基于变分自动编码器的混合推荐算法,使用神经网络来捕捉用户和物品之间的交互关系,引导整个神经网络架构的优化目标并给出理论解释。本文主要工作如下:首先,本文将变分自动编码器应用在推荐系统中,来为用户和物品的评分特征和内容特征进行建模。通过因子分解机对稀疏特征进行编码,自动进行特征高阶组合;同时,将用户和物品的多视图数据特征融合到变分自动编码器的架构里,以解决冷启动问题;其次,通过用户和物品的隐向量编码的变分推断分析,为自动编码器生成隐向量编码提供了解释性,并通过假定概率分布限制,说明推广隐向量编码的内积运算到广义的矩阵分解的必要性;最后,在真实的公开数据集上进行了充分的实验,并与当前应用最广泛和最经典有效的同类方法进行对比,以说明我们提出的方法的有效性。