随着大数据、互联网技术和人工智能的迅猛发展,推荐系统在解决信息过载与在线购物和在线内容服务上起着至关重要的作用,其有效性取决于推荐模型或算法对个体用户的独特兴趣和偏好的理解能力。然而,推荐过程是一种用户和系统之间的复杂交互行为,传统的推荐方法经常遇到数据稀少和缺乏互动性等问题。为了解决这些挑战,本论文提出了一种基于深度强化学习的推荐算法研究,主要通过构建基于马尔科夫决策过程的动态推荐模型。它能够在与用户的持续互动中不断改进推荐策略,该模型是一种多模态特征提取和带有负反馈的深度强化学习的动态推荐模型,从而突破传统静态推荐算法的局限性。其主要工作如下:1、针对数据稀少问题,本文使用了Bert模型、vgg-16和卷积神经网络多模态信息提取方法。利用Bert模型来从电影中提取有价值的文本特征信息,利用vgg-16模型来从电影海报中提取相关的图片特征信息,利用卷积神经网络来从电影中提取基本特征信息。这种多模态方法旨在解决数据稀少的问题。通过结合多种信息来源,从而对电影有更全面的理解来提高推荐模型的整体质量。2、利用深度强化学习算法,再加上推荐系统中的负反馈（比如观看了所推荐的电影为正反馈,用户对所推荐电影没有任何操作称为负反馈）,在提高用户满意度、改善推荐准确性和准确定位方面均有很大提高。通过利用深度强化学习技术的力量,该模型能够动态地学习并适应用户的偏好,从而提供更加个性化的推荐。3、在豆瓣电影数据集上进行了实验。将所提出的方法与基线模型做了对比,其结论是该方法对于推荐系统来说是有提升效果的。