纵观全球,随着世界各国的电信产业逐渐市场化,电信企业的竞争已经愈演愈烈。携号转网的正式实施,更是加剧了国内三大电信运营商之间的用户争夺战。运营商为了扩大各自的市场占有率,提升企业的核心竞争力,纷纷制定了多种多样的电信组合套餐以期待能够解决不同层次用户的差异化需求。电信市场营销领域中研究用户的套餐选择行为是一个非常重要的研究课题,如何根据用户自身的实际需求为用户提供更优质的服务,能起到牢牢抓住存量用户,提升用户对产品的满意度和获得用户长久支持的作用。然而,种类繁多的套餐虽然给用户带来了更多的选择空间,与此同时也会产生一个问题:新老用户在选择或者变更套餐时面对各式各样的套餐显得无所适从,很难在短时间内为自己选择合适的电信套餐。因此,精准智能地为用户进行个性化的套餐推荐不管对于电信企业还是对用户个人体验来说显得尤为重要。近年来,随着计算机硬件设备的飞跃提升以及海量数据的累积使得对深度学习理论和技术的研究越来越火热。针对电信套餐推荐问题,传统的推荐方法要么需要复杂的人工特征工程,要么无法利用深度学习强大的特征提取能力来进行端到端的深度学习训练。本文使用深度学习模型(特别是点击率预估领域的宽度和深度模型)来实现电信套餐推荐,并且在两个评价标准AUC和Log Loss都取得了不错的效果。除此之外,本文还基于深度与交叉网络和深度因子分解机模型,提出了两种可以处理文本信息的电信套餐推荐模型。这两种模型都是端到端的深度学习模型,避免了人工特征工程。在这两个模型中,我们分别用深度信念网络去取代了深度组件中的前馈神经网络,并且都融入了Word2vec模型。这使得改进后的两个模型不仅能有效地捕获交叉特征和深层隐藏的高阶特征,还能充分利用数据中的文本信息进一步提高模型的推荐能力。本文在中国联通研究提供的真实数据集中进行了实验验证,与目前几种主流的推荐算法相比,有更优异的推荐性能。