随着近些年互联网大数据时代的飞速发展,为人类的信息共享提供了很大的便捷,同时互联网的访问数量也是爆炸式的增长。用户希望能快速的从这些海量数据中找到自己需要的信息,而信息的产生者也希望能将自己的服务具体应用到用户本身,从而增加用户的忠诚度,因此推荐系统就是其中扮演一个很关键的角色。推荐系统主要是通过分析和挖掘用户的历史行为和个人信息等方式获得用户和项目的特征表示,同时进行建模,在建模的同时,推荐系统还会根据用户的偏好情况把用户感兴趣的项目推荐给该用户。传统的推荐算法的过程一般只考虑了用户和项目之间的关系,却没有考虑用户和项目交互时产生的影响。与传统的推荐算法相比,最近几年深度学习技术也为推荐算法的研究带来了新的机遇。本文工作从深度神经网络入手,研究深度神经网络对数据特征的处理以及注意力机制在信息推荐中的作用,并在真实的数据集进行训练和验证。主要工作如下:(1)本文提出一种基于RNN神经网络模型的推荐方法,对该模型进行深入研究,该模型的目标就是通过对非线性网络的深层学习,从而创建一个网络结构,利用此网络结构去获取到用户和项目之间的深层次特征信息,进而预测其评分,进行用户的推荐。在Movielens 1M和Amazon两个数据集上进行实验,推荐性能有明显的提升。(2)本文探究深度学习在上下文推荐领域中的应用,并且提出一个新的模型——基于CNN深度神经网络和双层注意力机制的深度建模推荐方法。该模型方法的思想就是利用卷积神经网络CNN对上下文的文本信息进行他在提取,并在Amazon的6大类数据进行验证,提升性能的同时发现向用户生成推荐的过程中有更好的解释性。(3)研究注意力交互网络在信息推荐中的作用。包括三个功能模块——注意力模型、交互中心模块和用户/项目中心模块。注意力模型主要是学习文本中上下文作用的重要性。交互中心模型这是注重上下文中每个文本和用户、项目之间的交互,同时去捕获上下对用户个项目的作用。最后,用户/项目中心模块的作用获得上下文感知的用户表示和项目表示。