随着线上信息数据的大量增长,“信息过载”成为不可忽略的问题,推荐系统是克服此问题有效的手段之一。其中,用户与商品间关系的建模在推荐系统中扮演着重要的角色。但现存的方法中,大多数模型是采用了一种线性的方式对此建模,这可能会限制模型的性能。尽管最近的一些工作已经运用深度学习技术去捕捉用户与商品间的非线性关系。但当神经网络被使用时,这里仍存在两个潜在的问题。第一个问题是随着神经网络层数的增加,整体算法的复杂度会增加的非常快。第二个问题是更深的网络结构可能会降低模型的准确率。在另一方面,多评分信息也被用于提升全局评分预测的准确率。对于基于多领域评分的推荐系统,如何从全局评分与多领域评分中挖掘出潜在信息,是目前研究中最重要的目标之一。尽管迁移学习成功的被应用于基于社交的推荐系统,基于地理位置的推荐系统以及基于上下文的推荐系统中。迁移学习在多领域评分推荐系统的使用的研究却很少得到关注。为了解决上述推荐系统中的问题,在此文中,本文分别研究了混合神经网络与辅助信息在对用户与商品关系建模中的应用。本文的主要贡献归纳如下:1.本文提出了一种混合神经网络结构,此结构包含全局神经网络和局部神经块,可以学习出用户与商品间的非线性关系。本文在局部神经块运用了三种不同的结构,并将混合神经网络与广义矩阵分解模型相融合。本文所提的模型可以采用更深的网络层,这使得学习出的模型更为准确。在真实世界数据集上进行的实验结果揭示了本文所提模型在Top-N推荐任务中是优于目前的领先的方法的。2.本文提出了一种协同因子模型,可以完整的评价出全局评分与各领域评分的贡献。在所提模型中,全局评分被看作目标,各领域评分被看作辅助数据。本文结合了全局评分以及各领域评分的损失函数。模型的参数在使用全局评分以及局部评分都能被更新。实验结果验证了所提方法在全局评分的预测上是优于基准方法的。