随着互联网技术的不断发展,网络上每天产生的数据量呈现爆炸式增长,从海量的数据中挖掘出对用户有价值的信息变得也越来越困难。传统的搜索引擎已经无法满足用户的个性化需求,而推荐系统作为一种可以在海量的数据中根据用户的偏好挖掘出用户感兴趣的信息并推荐给用户的技术,已经得到了学术界和工业界的广泛研究。在工业上,推荐系统在电子商务和广告领域发挥出巨大的商业价值。在学术领域,许多优秀的推荐算法被不断的提出,推动着推荐系统的不断发展。但是由于现实问题的复杂性和用户日益增长的复杂需求,推荐系统仍然面临着个性化推荐不足、预测精度不高、稳定性不强等问题。因此,本文针对以上问题,提出了两个改进的推荐算法模型。其中本文工作如下:1.在深度学习背景下,本文结合了该领域的两项前沿技术,即对偶自编码器和Inception结构神经网络,应用于推荐系统,提高推荐系统的预测精度和运行效率。其中,对偶自编码器(GADAE)是基于门注意力机制设计,进而来改进个性化产品的内容感知推荐算法模型,从而提高推荐系统的个性化推荐性能。2.进一步的,为了提高推荐系统的预测精度,创新性地提出了NCF-i模型,该模型是对NCF(Neural Collaborative Filtering)神经网络协同过滤模型进行改进,将NCF模型与Inception结构的卷积神经网络相结合,提出基于Inception结构的神经网络协同过滤方法(NCF–i模型),并将商品评论信息融入模型中进行预测和推荐。3.为验证NCF-i模型和GADAE模型的有效性,本文从公开数据集据集上训练和测试,最终得出结果:在推荐系统公开数据集上,基于对偶门注意力机制的自编码器内容感知推荐模型在Top-N推荐上的召回率与归一化折损累积增益都优于目前主流的推荐模型。同时,应用NCF-i模型的推荐算法,推荐系统的预测精度和稳定性方面均优于当前主流的推荐模型,证明了本文所设计的模型的有效性和广泛适用性。