推荐系统在解决信息冗余问题时起到了很大的作用。研究人员尝试将深度学习与推荐系统相结合,从一定程度上提高了推荐效果。但是目前仍存在数据稀疏及冷启动、潜在特征表示不充分等问题。本文从模型融合和特征融合两个角度进行建模,将深度神经网络与混合推荐算法相结合,采用加权和特征融合两种混合推荐的策略构建深度混合推荐模型,针对目前推荐系统存在的问题提出了相应的解决方案。首先,对常用的推荐算法进行了描述,详细介绍了传统矩阵分解算法的原理及相应的优缺点,分析了基于深度神经网络的推荐算法存在的缺陷,并提出了相应的改进策略。其次,针对数据稀疏和冷启动问题,构建了加权的深度混合推荐模型。通过引入内容特征,构建基于内容的深度推荐模型。通过高意愿矩阵填充的方式形成评分特征,构建基于评分的深度推荐模型。利用混合推荐方法充分结合不同信息的优势,分别挖掘内容特征和评分特征的交互能力,最终以加权的方式实现模型融合,以期通过提高特征交互能力的方式提高推荐的准确性。再次,针对潜在特征表示不充分问题,构建了特征融合的深度混合推荐模型。采用自编码器对潜在内容特征进行提取,并提出了两种不同的特征融合方式,构建用户和项目的潜在混合特征,挖掘内容特征和评分特征相互融合的表达能力。通过分析模型的损失组成,提出了融合的损失函数对模型进行整体优化,以期通过提高特征表达能力的方式提高推荐的准确性。最后,分别对本文所提出的基于加权和特征融合的混合推荐模型在真实数据集上进行了实验验证,实验结果表明本文所构建的模型有效提高了推荐结果的准确性。