推荐系统已广泛应用在电子商务、社交媒体、教育科研等诸多领域,有效应对了信息超载问题;然而,数据稀疏性一直制约着推荐系统的效果,利用辅助信息如内容信息、用户社交网络能有效缓解数据稀疏问题的副作用,但如何有效地利用这些信息增强推荐效果仍是一个开放性问题。此外,随着深度学习、度量学习等技术的进步,研究如何融合新技术和辅助信息来构建新型推荐系统成为新的挑战。为此,本文针对推荐系统中的评分预测和Top-n推荐两个主要任务类型,提出利用评论信息和社交网络信息来构建辅助信息增强的推荐系统。针对评分预测问题,本文提出了基于深度神经网络的对偶正则化矩阵分解(Dual-Regularized Matrix Factorization,DRMF)模型。DRMF首先利用结合了卷积神经网络和门控循环单元的深层神经网络,来分别处理用户和项目的评论内容,获得两个独立的分布式表示来表征用户和项目;然后,利用这些表示来约束概率矩阵分解过程中用户和项目的嵌入表示。DRMF模型参数的联合优化通过交替迭代训练方式实现,即每次固定矩阵分解模型的参数,利用反向传播方法优化深层神经网络组件参数;再固定后者,优化矩阵分解模型的参数。大量实验证明DRMF可以显著减少评分预测的误差。针对Top-n推荐问题,本文提出了社交正则化协同度量学习(Social-Regularized Collaborative Metric Learning,SRCML)方法。SRCML首先定义相似度函数,用于融合社交偏好和评分偏好来衡量用户相似性;接着,构建正则化组件来重整协同度量学习的损失函数,使得兴趣爱好相似的用户彼此在度量空间中更加接近,同时使衡量用户与项目距离的度量函数得到优化;最后,给出了基于梯度下降的模型学习方法。大量实验证明,SRCML可以提升推荐排名的准确性和召回率。