近年来,随着信息技术和互联网技术的快速发展,数据增长速度远远超出了人类对信息的认知处理速度,不可避免地带来信息过载的问题。推荐系统利用人工智能技术主动挖掘用户和产品的潜在匹配关系,很好的解决了此问题,近年来受到学术界和工业界的广泛关注。然而,目前主流的推荐算法建模角度片面,导致性能受限,具体表现在以下几个方面:1)基于隐因子建模,忽略了内容特征对决策结果的辅助作用;2)对用户建模不全面,只考虑对用户本身或用户兴趣的建模;3)将用户看做静态、被动的,忽略了推荐结果对用户的影响以及用户兴趣随时间的变化。为了解决上述问题,本论文基于机器学习研究个性化推荐系统的关键技术。首先,本论文基于深度学习提出并实现了基于多元动态用户画像的个性化推荐算法,将个性化推荐网络分为多元特征表示、多元动态用户画像生成和用户产品匹配三个模块进行研究:在特征方面,融合内容嵌入和隐因子表示得到互补增强的用户或产品的多元特征表示;在用户画像方面,对用户自身性质和用户兴趣进行建模表示,并根据待预测产品的不同动态生成多元用户画像;匹配方面,使用多层前向神经网络建模更复杂的关系,代替内积匹配用户和产品。实验结果表明,本论文提出的模型在点击率(Hit Ratio,HR)指标上比NAIS模型提升2.21%、在标准化代价累计增益(Normalized Discounted Cumulative Gain,NDCG)指标上比NAIS模型提升3.19%。接下来,本论文研究了基于深度强化学习的推荐算法,提出了基于分层经验回放的深度确定性策略梯度在线推荐算法。将深度确定性策略梯度(Deep Deterministic Policy Gradient,DDPG)算法与在线推荐场景应用相结合,达到根据用户反馈调整推荐网络参数和最大化长期奖励的目的,并针对推荐场景中常见的稀疏奖励情况提出了双经验池(Double Memory,D-Memory)结构和分层经验回放机制,解决了经验池(Memory)中经验数量与质量的不平衡问题,提高了智能体的优化效率,进而使智能体获得的长期奖励得到了提升。最后,本论文基于所提出的算法,应用多元特征和多元用户画像的思想,实现了自适应营销系统。实验结果表明,本论文所提出算法能够为推荐网络提供良好的初始值,并且在稀疏奖励场景下,使智能体得到的奖励密度和长期奖励均提升了60%以上。本论文基于机器学习研究个性化推荐系统的关键技术,相关研究成果可用于智能营销系统、智慧旅游推荐系统等应用场景。