大数据、云计算、人工智能等新技术的迅速发展,使得互联网应用层出不穷,导致网络数据呈现指数级的增长,大规模数据为各领域发展带来新的契机和危机。一方面,海量数据信息为推荐系统带来更多有价值的信息,另一方面,对于传统的协同过滤推荐系统来说,已经难以满足用户的推荐需求。稀疏性问题、冷启动问题以及可解释性问题都是推荐系统尚待解决的问题。因此,需要新的技术更新替换传统技术才能有效地解决上述问题。传统协同过滤推荐因评分数据单一无法对推荐结果做出合理解释,后来从某一类辅助信息中提取有效隐含特征辅助推荐,虽然在一定程度上可以提高单域推荐的准确性,但是若要深入地挖掘用户与项目之间的复杂关系,需要研究在推荐系统中融入多源数据,并且研究使用新技术从多源数据中提取综合性特征,同时研究实现所提取的用户特征和项目特征的交互,计算预测评分。基于以上问题背景,本文提出一种融合多源数据的深度学习模型DCNNs用于推荐系统,具体研究工作有:(1)多源数据融入基于深度学习的推荐系统中。为了使推荐结果不受单源数据限制,解决推荐系统中的稀疏性问题和冷启动问题,研究从多源数据中获取用户和待推荐物品相关附属的标签、评论文本等数据,因此提出一种结合深广度结构特点的并行深度网络模型DCNNs,广度融合多源数据,深度使用深度学习模型学习隐含特征。(2)引入因子分解机实现用户特征与项目特征的交互。因子分解机可以对用户和项目特征两两组合,对于从多源数据中获取的隐含特征综合性比较好,利用因子分解机可以计算得到用户对某项目的综合预测评分,进而提升推荐结果的可解释性。通过对上述研究的实验验证,结果表明,DCNNs模型在RMSE和MAE指标上均优于所选的基线模型,并且能很好地缓解传统推荐系统固有问题。