信息的快速增长使得人们难以从海量的数据中快速找到自己需要的信息,以门户网站和搜索引擎为代表的应用难以有效的解决该问题,推荐系统为该问题提供了一种可行的解决方案。在作为一种帮助用户快速检索信息的手段同时,推荐系统也为众多公司带来了巨大的利益,因此受到众多学者的关注,相关研究成果也层出不穷。对推荐方法的深入研究,探索出具有较高准确率的推荐算法,从而高效地为用户推荐合适的信息,具有重要的理论价值和实用价值。给出了基于深度学习的推荐方法的一般流程,将其划分为特征提取、偏好预测和推荐三个阶段。对用户和物品的固有特征进行了分析,指出大多数情况下基于隐私的考虑,很难获得用户的固有属性,目前推荐系统的研究主要以用户和物品的交互行为数据为基础,而用户对物品的偏好以及用户和物品本身的信息通常为这类数据的重要组成部分,这种以偏好、用户和物品为核心的推荐方法适用于多种场景,包括电影推荐、新闻推荐、商品推荐等。在此前提下,对用户与物品的交互行为数据进行了分析和分类,提出从静态和动态两个角度对用户与物品的交互行为数据进行分析,提取用户和物品的静态特征和动态特征,给出了具体的提取方法,并针对推荐的需求,对两类特征进行了融合。基于融合后的用户和物品特征,设计了一种用户对物品的偏好预测模型,并根据该预测模型给出了相应的推荐方法。对所提出的推荐方法进行了实验验证,为方便实验工作的展开,在实验环节仅使用了电影这种具有代表性的数据集,结果表明方法在一定程度上具有更好的推荐效果,验证了方法的有效性。同时讨论了特征维度、序列长度等参数对推荐效果的影响。