推荐系统是机器学习领域一个大的分支,推荐系统的设计指推荐系统模型或算法的设计。本文主要研究推荐系统领域中协同过滤算法与深度学习融合模型。推荐系统设计是将用户与商品的部分信息作为输入,通过设计模型得到用户的商品推荐列表。本文主要解决协同过滤推荐系统中用户冷启动问题。为了解决上述情况,本文提出了两个融合深度学习的协同过滤推荐系统模型,商品嵌入协同过滤推荐系统模型和隐式反馈协同过滤推荐系统模型。本文主要包括以下几个方面的工作:本文提出了一种商品嵌入方法,并利用神经网络得到一个基于隐式反馈的商品嵌入协同过滤推荐系统模型。该推荐系统对隐式数据进行处理并深入挖掘用户与商品之间的潜在关系,通过对文本嵌入算法改进,得到商品嵌入方法,将用户对所有商品的购买次数和目标商品与其他商品成对购买次数映射到一个深度特征空间中。与其他相关推荐系统相比较,该推荐系统使用两个共享参数的神经网络,得到目标用户推荐商品序列。本文提出了一种隐式反馈协同过滤推荐系统模型,对推荐系统中的冷启动问题提出改进方案。与传统的结合方法相比较,本模型不仅考虑“用户与商品”的交互信息而且考虑“商品与商品”相关性信息同时作为模型输入。本模型将用户特征、目标商品特征、用户购买过的商品集合与目标商品之间的相似性三个特征共同作为模型的输入向量。在用户与商品的交互部分,本模型利用潜在因子计算用户与目标商品的潜在向量,输入目标商品与用户购买过的商品集合的特征向量,输出商品的相似度,最终,通过均值池化得到目标商品与用户购买过商品总相似度。在模型最上层,利用两部分计算结果,得到用户对目标商品感兴趣的概率。本文提出的两个模型与传统的协同过滤算法相比较,实验证明了当前两个模型在解决推荐系统任务中冷启动问题的有效性。利用负采样技术解决训练模型复杂性问题,极大的提高了模型的训练效率。