身处于大数据时代,面对海量的信息及其衍生出的众多选择,人们苦于无法快速分辨出有用的信息并做出选择。这就是日益严峻的“信息过载”问题。在解决信息过载问题的众多方法中,推荐系统是最为有效的方法之一。该方法根据用户的购买、浏览等历史行为数据为用户的喜好建模,并主动为目标用户推荐其可能喜欢的物品。对于一个令人满意的推荐系统来说,好的推荐算法必不可少。而协同过滤推荐算法,特别是其中的矩阵分解算法,在工业界以及学术界都是发展最为成熟、应用最为广泛的算法,但其性能的提升仍然面临着数据稀疏性、冷启动等诸多挑战。而深度学习在信息处理和特征学习方面表现出的出色性能则可以弥补协同过滤推荐算法的不足。将深度学习应用于推荐算法的工作已经取得了一些进展,神经网络协同过滤(Neural network-based Collaborative Filtering,NCF)算法就是其中之一。NCF算法使用神经网络代替矩阵分解中使用的内积,来捕获用户特征向量和物品特征向量之间的关系,取得了更好的推荐效果。本文在学习了NCF算法后,对其进行了系列改进,具体的研究内容如下。首先,本文提出了基于神经网络的用户嵌入模型。通过该模型,我们可以从用户的历史行为数据中获得用户–用户关系矩阵和关于用户的先验向量。用户–用户关系矩阵的获得不仅丰富了原始数据,而且它将和用户的先验向量一起在对NCF算法的改进中发挥重要作用。然后,为了获得更好的推荐算法,本文提出了基于用户嵌入模型的NCF(NCF with User Embedding)算法,简称UE-NCF算法。该算法仍采用神经网络来捕获用户–物品关系。不过,在训练模型参数时,UE-NCF算法同时学习用户–物品关系矩阵和用户–用户关系矩阵,得到了更好的用户特征向量和物品特征向量。另外,为了不使用户–用户关系矩阵对算法性能产生负影响,UE-NCF算法使用加性用户先验向量来修正用户特征向量。实验结果表明UE-NCF算法的推荐性能优于NCF算法。最后,本文提出了基于神经网络的物品嵌入模型,通过该模型获得了物品的先验向量,并利用用户和物品的先验向量对UE-NCF算法进行了改进,提出了基于用户和物品嵌入模型的NCF(NCF with User and Item Emdedding)算法,简称UIENCF算法。该算法通过将用户特征向量和物品特征向量分别初始化为用户先验向量和物品先验向量,使得在进行模型参数优化时,可以跨过局部最优解,接近全局最优解,从而获得更好的推荐性能。实验结果已经证实UIE-NCF算法的推荐性能优于UE-NCF算法和NCF算法。