随着互联网时代的到来,计算机以及大数据技术的飞速发展使得现代社会的人们进入了一个信息爆炸的时代,商品的数量呈指数级增长,带来了极其严重的信息过载问题。推荐系统作为一种有效的信息筛选方法,不仅可以有效减少用户寻找到满意商品的时间和精力,还可以发掘用户潜在感兴趣的商品。随着系统数据量越来越大,传统的线性推荐算法由于训练开销大、特征表达能力弱、泛化能力不足等劣势逐步无法给用户进行精准推荐。近几年,随着人工智能的发展,深度学习作为特征提取的重要工具,得到了广泛的应用。本文重点研究了深度学习技术在推荐系统中的应用,并且针对目前在推荐系统中应用最广泛的深度因子分解机算法进行了改进,同时进行了推荐系统的设计及实现。本文通过梳理国内外相关文献,综合了词嵌入、深度因子分解机以及注意力机制等研究方法,构建了Ax DFM算法;基于所提的算法,设计了一种自适应的协同正则化方法有效地减小过拟合的影响;基于所提算法,搭建出了一套商品推荐系统,可以对用户进行实时、离线推荐。本文的主要工作体现在以下三点:1.融合注意力胶囊的深度因子分解机的构建。针对深度因子分解机在进行推荐时未考虑用户的历史行为对用户兴趣的差异性影响的现状,利用注意力机制给予不同交叉特征以不同的特征权重,提出了一种融合注意力胶囊的深度因子分解机算法。该算法通过注意力胶囊计算不同特征间的注意力大小,使得不同特征拥有不同权重,从而解决特征交叉所产生的噪声问题。2.自适应协同正则化方法。针对深度学习算法在训练过程中由于训练数据量过大、网络结构过于复杂、参数量过多等因素,容易导致过拟合现象的问题,加入了一种自适应协同正则化式,在不影响算法性能的前提下有效地降低了算法过拟合现象,与其他主流正则化方法进行了全面的实验对比。3.推荐系统的设计与搭建。基于Spring、Scala以及Spark等大数据组件开发了一套完整的、能够对用户进行有效推荐的商品推荐系统,主要由离线推荐系统、实时推荐系统以及业务系统组成,该系统具备查看商品信息、对商品评分、推荐潜在兴趣商品以及关联相似商品等基础功能,能够准确快速的对用户进行推荐。