推荐系统的核心是推荐算法,协同过滤算法因其简单、高效、稳定的特点在所有推荐算法中备受青睐,也是目前推荐算法中应用最广泛最成功的推荐技术。但是在实际应用场景下,随着用户和商品的不断增长,协同过滤算法中的评分矩阵逐渐暴露出数据稀疏性和冷启动问题,同时也忽略了评论文本中的大量信息。此外,协同过滤推荐算法仅利用浅层特征来训练模型,制约了推荐性能。近五年来随着深度学习的崛起,掀起了人工智能的热潮。在图像识别领域、文本挖掘领域、语音识别领域均取得了突破性进展,这也为提升推荐算法性能带来可能。本文的主要工作包含以下两个部分:(1)针对传统协同过滤推荐算法中存在的冷启动与数据稀疏性问题,以及在矩阵分解时降维程度主要依赖于先验知识缺乏灵活性这一弊端,提出了融入奇异值能量的协同过滤算法(SVE-CF)。首先在数据预处理过程中计算出用户-项目评分矩阵的噪声率,根据噪声率确定评分矩阵替换程度,再利用奇异值能量求得近似评分矩阵,最后通过矩阵因子分解模型将近似矩阵中的用户和商品映射到同一隐空间,确定两者之间的交互,实现了基于评分的推荐。在公共数据集Movie Lens上验证SVE-CF模型和多个传统推荐算法效果,结果表明SVE-CF模型的RMSE、MAE测量指标平均降低了约3%,同时有效缓解了数据稀疏性和冷启动带来的影响。(2)首先对传统协同过滤推荐算法和经典深度学习模型进行了研究,并在此基础上设计实现了新的推荐算法模型,提出了融合用户和商品评论的双通道CNN推荐算法(C-DCNN,Combine-Double CNN)。首先将用户和商品评论文本矢量化为词向量,再分别使用两个CNN网络对用户和物品进行特征提取,然后在共享层通过点积项将用户和物品的抽象特征映射到同一特征空间,最终预测出用户对特定商品的评分。经在Amazon、Yelp、Beer三组公共数据集上进行实验后,其结果表明该模型在不同数据集上的MSE都比其他基准算法更小,且有效缓解了数据稀疏性问题。