在早期推荐系统领域中,一般使用矩阵分解来处理用户-物品（User-Item）矩阵,但是随着互联网的发展,系统中的User-Item矩阵维度越来越大,数据越来越稀疏,矩阵分解技术难以对高维稀疏矩阵进行高效处理,并且缺乏对上下文信息的利用。2010年,可以建模上下文信息的因子分解机模型被提出,该模型迅速在预测、推荐等领域得到了广泛的应用。此后,随着计算机算力的提升以及神经网络的发展,基于神经网络增强的因子分解机模型因为可以捕捉更多高阶特征的交互,从而使预测结果愈加精准而成为了当前推荐算法的研究热点。其中,将隐式反馈与内容信息结合在一起的个性化基于神经网络增强的成对排序因子分解机模型NPRFM更是得到了广泛的关注。在具有隐式反馈数据的个性化排名领域,成对学习方法是一项广泛使用的重要技术。该方法不仅可以从记录到的用户反馈中学习用户兴趣,而且还可以从用户与物品之间的潜在交互中很好地学习用户的偏好。但是现有的方法,在对用户与物品交互特征进行建模时,并没有综合考虑高阶交互特征和原始输入特征,导致推荐结果不够精准。本文对NPRFM模型进行了深入研究,提出并实现了新颖的基于深度神经网络增强的成对排序因子分解机Deep PRFM。主要研究内容如下:（1）针对目前很多方法更加关注对于特征的高阶交互而忽略了最能体现用户与物品的一手信息的原始用户与物品输入特征交互问题,本文将用户与物品的高阶交互特征与原始输入特征进行融合,并利用成对学习方法提出并实现了一种新的个性化基于深度神经网络的成对排序因子分解机模型Deep PRFM。（2）针对推荐系统广泛存在的冷启动问题,提出一种多负样本成对学习方法,充分利用系统中用户未进行过交互的物品来提升模型精度,加快模型优化速度,缓解系统用户冷启动问题。（3）为了缓解多负样本成对学习方法带来的高时间复杂度,在多负样本成对学习方法中,引入了基于典型负样本的采样策略,该采样策略可以根据不同用户动态选取对模型效果增益最高的样本当作典型负样本。这样,可以使用较少的负样本比例也能达到使用多负样本成对学习增强后的因子分解机的优异性能,加快了模型收敛速度。在两个真实数据集上的大量实验结果表明,本文提出的Deep PRFM模型在个性化排名方面优于目前的大量方法,并且在当多负样本成对学习方法以及典型负样本采样策略应用到其它成对排序因子分解机时,也可以得到比原始模型最优效果更加优异的结果表现。