近年来,电商个性化推荐成为电商领域的研究热点。目前个性化电商推荐技术虽然已经取得了不错的成绩,但冷启动、推荐结果多样性、推荐算法高效性等诸多问题依旧制约着个性化推荐技术的发展。随着电商个性化推荐领域中根据用户短期会话数据进行推荐和混合推荐技术的发展,研究人员可以利用深度学习技术,分析用户的多维历史数据从而得出用户可能感兴趣的商品。本文主要以电商平台的用户和商品的历史数据为研究对象,探讨基于深度学习的电商个性化混合推荐模型。本文首先提出了一种基于GRU网络和矩阵分解的混合推荐算法HGRU,并引入注意力机制获得候选推荐列表。然后,构建一种生成对抗网络模型HGRU-GAN对候选推荐列表进行重排序。最后,完成融合了本文提出的混合推荐算法的电商推荐系统的设计与实现。具体工作内容如下所示:（1）针对现有的大多数推荐算法在进行推荐时过度依赖用户历史信息,在数据稀疏的情况下无法取得较好的推荐效果等问题。本文提出了一种混合电商推荐算法HGRU。该算法对原有GRU推荐算法进行改进,引入矩阵分解算法对用户长期信息进行获取,引入注意力机制对用户的主要购买意图进行判断。通过对用户-商品评分矩阵进行矩阵分解从而得到用户和商品的长期隐含因子。GRU网络通过对用户点击行为的分析得到用户短期的购买兴趣。HGRU算法一方面弥补了GRU推荐算法对于用户长期信息获取能力不足的缺陷,另一方面改善了由用户的不相关操作给推荐算法带来干扰的问题。（2）针对HGRU算法的推荐列表排序问题进行进一步优化。虽然HGRU在平均倒数排名上相比于GRU-Rec等比较先进的算法已经取得了一定的进步,但由于购买商品是受多种因素影响的,在推荐列表的排序方面仍有进步的空间。本文提出一种生成对抗网络模型HGRU-GAN来强化HGRU算法对于商品相关性评分的学习,使得推荐列表中召回的商品位置更加靠前。HGRU-GAN将HGRU作为生成器,设计了一个对称网络作为判别器。判别器试图在生成器生成的推荐列表中区分真正的高评分商品,生成器试图欺骗判别器产生更好的推荐列表。与HGRU算法进行对比,HGRU-GAN在YOOCHOOSE1/3数据及上MRR提升了4.8%,在DIGINETICA数据及上MRR提升了5.2%。（3）完成了电商平台的设计与实现并将本文提出的混合推荐算法应用于平台之上。个性化电商推荐平台使用了大数据技术进行搭建,使得电商平台能够应对海量的数据储存预处理。