互联网的飞速发展以及信息采集、分享方式不断丰富促使人们步入大数据时代,数据的急剧增加带来严重的“信息过载”问题,推荐系统便是针对这一问题所提出的,推荐系统分析用户的行为记录,挖掘用户的个性化需求,帮助用户找到他们感兴趣但很难被发现的产品。如今网络内容日益丰富,物品数目动辄百千万计,用户交互数据非常稀疏,导致大多关联分析算法效果一般;由于新用户、新物品可供分析利用的信息较少,很难给出精准的推荐,从而导致冷启动问题;同时,可帮助推荐的辅助数据例如:社交关系数据、物品评论、物品标签等,通常具有来源广泛、数据结构多样的特性,不便于分析利用,除此之外,推荐系统还面临着提升推荐结果的可解释性、提升系统的可扩展性等多方面的挑战。对于以上现状和挑战,本文采用深度学习技术,融合用户及物品的辅助信息来增强推荐性能,对于不同的辅助数据,采用不同的深度学习算法分析提取,构建更加精准的用户和物品特征表示;同时,挖掘用户的短期偏好,分析用户的社交关系,构建更加全面的用户画像,为用户提供更精准的推荐服务。本文主要针对多源异构辅助数据的分析和融合问题,提出了两种不同的推荐方法,论文的主要研究工作如下:1.针对数据稀疏和物品冷启动问题,提出的方法（MKASR、MSAKR）使用物品属性、标签、文本等辅助信息组织构建知识图谱,采用知识图谱技术深入挖掘分析物品和物品的语义关联关系,从物品辅助信息的语义关联角度构建精准且全面的物品特征表示,从而提升推荐结果的准确性和发散性。同时,在知识图谱表示学习模块和推荐模块融合方面,采用基于软约束的多任务学习方法,同时训练两个模块,使两个任务之间能够互相补充、互相学习、互相促进,以提升整体模型的准确性和泛化性。针对用户兴趣偏好难以捕捉的问题,提出的方法（MKASR）采用基于注意力机制的双向GRU网络分析用户近期的物品交互序列,挖掘用户的短期偏好;提出的方法（MKASR）通过Ripple Net算法提取用户到物品到知识图谱实体的关系对,并存储为三元组的形式,采用知识图谱相关技术分析挖掘这些关系对,从用户和物品辅助信息关联的角度挖掘用户的偏好。2.针对数据稀疏和用户冷启动问题,提出的模型（MSAKR）分析用户社交关系这类图结构数据,挖掘用户之间的信任关系。模型采用图卷积神经网络提取社交关系,创新的使用图中心性作为概率对邻居节点采样来过滤邻居,采用word2vec思想生成虚拟邻居来缓解社交数据的稀疏性,采用基于注意力机制的方式聚集节点邻居,通过分析用户之间的社交记录,构建蕴含信任关系和社交关联的用户特征向量,从而提升推荐结果的准确度。在真实的数据集上进行实验验证,提出的两个推荐算法在点击率预测和top-K推荐上均优于其他基准模型,证明提出的模块可以有效的融合多源异构辅助信息来缓解数据稀疏和冷启动问题,从而提升推荐性能。