随着互联网信息技术的不断向前发展,人们所要面对和处理的数据信息也日益增多,大量且繁杂的信息阻挠了有效信息的传递,在互联网中找到自己感兴趣的内容宛如大海捞针。对于用户和商家而言,推荐系统可以有效地将物品和用户的信息关联在一起,从而实现高效的推送,创造价值。传统的协同过滤算法中所采用的矩阵分解方式在构建用户物品交互矩阵上存在一定的局限性,导致算法限制了矩阵分解的表现力。本文通过采用度量分解与深度学习相结合的方式构建推荐系统的离线算法模块,主要对不同种类的场景下的用户物品评论数据集进行数据处理。通过设计实验探究不同数据下该方案相对于传统算法在推荐指标上的提升,以及度量分解算法与深度学习推荐算法相结合的可能性。本文以Amazon评论数据为主要场景对推荐方案进行研究和实验,分别根据不同类型数据下用户和物品的关系以及对应的评论、评分等信息对数据进行处理和研究。本论文的工作如下:1.在推荐系统的离线算法模块构建过程中,许多经典的推荐算法采用了矩阵分解和度量空间学习的方式。在推荐过程中处理用户和物品之间的交互关系,但是这两种方法或多或少都存在一些缺陷。本文在以基于内容推荐的深度学习模型基础上,探讨和研究度量分解方式与基于内容推荐模型结合的可能性。2.使用度量分解的方式对基于内容大的推荐模型进行改进,提出了一种基于度量分解的深度学习推荐改进方案,解决了原有模型在矩阵分解在推荐过程中存在的局限性。3.在原有模型中损失函数中引入了置信机制进行修改和优化,通过该机制为不同数据分配不同的权重,从而可以通过调整参数在不同的数据集上获得相对较好的推荐效果。4.对数据进行相关处理,对用户和物品所具有的评论信息进行筛选,将评论信息通过过滤和分词后进行数字化和索引构建操作,为后续模型的处理和推荐平台的构建做准备。对Amazon评论数据集进行下载、收集和处理,为模型的实验和后续推荐展示平台的构建提供数据来源。5.推荐系统展示平台:设计并实现基于度量分解的推荐系统展示平台,通过推荐计算模块结合处理后的数据对用户与物品之间的评分进行训练和计算预测,将推荐结果通过前端界面展示给用户。最后,在Amazon Instant、Amazon automotive和Amazon Video Games三个用户物品评论数据集的推荐指标中改进模型都取得了提升,其中MSE指标相比较于其他推荐模型至少取得了2.1%、1.2%和5.4%的提升,证明了本文提出的改进方案的有效性。并且在Amazon Instant和Amazon Automotive两个评论数据上使用不同的置信值进行实验,通过MSE指标的变化证明了置信机制在评论数据上的有效性。