随着云计算、大数据等技术的高速发展,互联网中越来越多的各类应用使得数据规模呈爆炸式增长。推荐系统作为解决信息过载问题的有效方法,在很多领域得到了广泛应用。但传统的推荐算法主要利用浅层模型或者人工提取特征的方式学习特征,导致算法无法获得用户和项目更深层次的特征表达。而且传统的推荐算法大多认为用户的属性是固定的,忽略了在用户行为的序列数据中用户兴趣爱好的动态变化对推荐结果造成的影响。近年来,深度学习在计算机视觉、语音识别等领域取得了巨大成就,同时也给推荐系统带来了新的机遇。深度学习可以通过其深层次的非线性网络结构从海量用户行为数据中学习到用户和项目更本质的特征表达。其中循环神经网络可以通过对用户行为的序列数据进行建模,从而学习到用户的动态兴趣变化,提高下一时刻的推荐精度。因此,本文主要围绕循环神经网络来进行推荐算法的研究。首先考虑到目前基于循环神经网络的推荐算法只关注用户行为序列的先后信息,忽略了用户对项目的评分偏好问题,提出了基于评分偏好的循环神经网络推荐算法。此外将循环神经网络和深度语义匹配模型相结合提出了基于深度语义匹配模型的循环神经网络推荐算法。具体研究内容如下:1.提出了基于评分偏好的循环神经网络推荐算法。算法通过循环神经网络对用户行为序列数据进行建模,然后将用户对项目的评分作为对序列中相应项目的偏好,进而将其结合到对下一时刻项目的预测中。通过在真实数据集上进行测试,结果表明该方法给用户推荐的下一时刻的项目不仅是用户将要点击的项目,同时也是用户感兴趣的项目。2.提出了基于深度语义匹配模型的循环神经网络推荐算法。算法将循环神经网络和深度语义匹配模型相结合,一方面通过循环神经网络对用户行为数据进行建模学习到用户当前兴趣的隐表示,另一方面通过深度语义匹配模型减少了模型参数,加快了模型的收敛。同时为了让算法学到更有效的用户特征表示,最后提出了带用户特征的基于深度语义匹配模型的循环神经网络推荐算法。通过多组实验表明该算法在收敛较快的同时提高了推荐的命中率。