随着互联网的发展,各种终端的普及,尤其是移动设备,网络中的数据不再是线性的增加,而是以指数的趋势在猛增。每天各种各样不同来源的数据充斥着网络。用户在这巨大的数据洪流中眼花缭乱,无法快速的获取有效的数据。如何行之有效的从这些嘈杂数据中找到用户需要的信息,成为了一个迫切的问题。而推荐系统正是解决这个问题的一个重要手段。通过推荐系统,用户可找到迎合他们兴趣的相关物品。本文主要的研究重点,就是融合辅助信息(用户的年龄、地点等,物品的文本主题信息)到推荐系统中,从而更好的给用户推荐感兴趣的物品。相比较于其他推荐方法,协同过滤因为其简单、高效、易实现等特点被广泛的运用在工业界,尤其在电影、电商领域。可是只单纯地利用户对于物品的评分进行推荐,不能够全面的反映用户,从而不利于更好的给用户做准确的推荐。而且现实中,考虑到安全、隐私等相关因素很难确定用户真实的社交关系,然而一些基本的用户信息可以通过相关方法获得。针对此问题,本文在传统算法的基础上,提出了一种融合用户信息的矩阵分解方法。主要融入了一些基本用户信息(比如,用户的地点、年龄等)到矩阵分解中。当然该方法同样也适用于其他的信息。本文通过聚类方法发现这些基本信息下用户潜在的关联,并且按照这种潜在关系的强弱程度定义了用户关系矩阵,随后将这个矩阵融入到传统的矩阵分解方法中。利用可获取的用户信息,按照这些信息的特点推理出用户之间潜在的关系,并把它融入到推荐系统中。本文通过两个真实的数据集进行实验,以均方根误差与平均绝对误差这两个指标评估预测的准确性。最终的结果表明,该方法比没有考虑到用户基本信息的方法有更好的推荐效果。物品的文本(文档)描述,作为物品一个重要的因素,而文本的主题又反应文本的主要思想。以往进行推荐时,往往没有考虑到文本的主题这个信息。本文提出了一种融合主题信息的Deep FM模型。本文利用数据采集的相关手段,获取这些文档数据。并利用机器学习有关技术,提取出文档的主题,将文档主题信息这个重要的元素融入到Deep FM模型中。同时也探究了主题的数量对于系统性能的影响。融合主题信息的Deep FM模型的优点是,不仅缓解了大规模稀疏数据中的特征组合问题,让因子分解机去充分学习低阶特征组合,又能够利用神经网络去学习高阶特征组合。为了验证该模型,本文在三个数据集上,计算了均方根误差与平均绝对误差的值,并与其他的几个模型进行了对比。从实验的结果来看,融合主题信息的Deep FM模型在提高推荐系统的性能上是有利的。最后,分析并总结了融合辅助信息的推荐系统。为了验证辅助信息对于推荐系统是有帮助的,本文设计了一个论文推荐系统,并将上述所提到的方法加入到这个论文推荐系统中,将对应的方法应用于实践。