近年来,信息过载以及人们对“个性化”的追求给推荐系统带来了巨大的关注,无论新闻获取、影音娱乐还是电子商务,人们对个性化推荐系统的需求与日俱增。同时,Google内部的机器学习解决方案已逐步过渡到基于TensorFlow的深度学习中,以深度学习为代表的人工智能技术正逐步渗透到推荐系统领域。面对海量的数据以及难以结构化的特征时,传统推荐算法往往需要在特征工程投入巨大的人力,即便如此,随着数据规模的增大,推荐性能的提升却越来越困难。宽、深度学习推荐系统的思想最初由谷歌提出,其结合了逻辑回归对高维稀疏输入的强大“记忆”能力以及深度学习对特征的“泛化”能力,在节约特征工程方面投入的同时,兼顾了系统“记忆”和“泛化”能力。本文针对其在推荐系统点击率预测问题中存在的监督信号过于“粗糙”的问题,提出了一种监督信号增强的宽、深度学习推荐系统,通过先验知识的融合提升监督信号的信息熵,使模型能够从数据中学习到更多的信息,改善了模型的预测性能。本文主要工作如下:1.本文对推荐系统中传统的经典算法进行了研究与分析,总结了基于用户的协同过滤算法、基于物品的协同过滤算法和隐语义等模型的优势与不足;2.本文研究分析了宽、深度学习推荐系统,针对原宽、深度学习推荐系统中,独热编码的训练标签所能提供的信息过于有限的弱点,提出了一种监督信号增强的宽、深度学习推荐系统。融合物品热门效应、用户行为类别和记忆遗忘规律等先验知识,提高监督信号的信息熵,帮助模型从数据中学习到更多有用的信息;3.本文在一个真实电商脱敏数据集上进行了实验,实验结果证明,监督信号增强的宽、深度推荐系统相比其他的基线方法取得了更好的推荐性能。