推荐系统的含义是给用户推荐他们喜欢的商品或者信息,并以用户的兴趣特点以及用户历史行为作为依据。随着深度学习技术在自然语言处理领域的拓展越来越多,推荐算法渐渐依赖起了深度学习技术,深度学习渐渐成了各家互联网大厂角逐的重要领域。目前在深度学习的文本提取领域和推荐算法领域还存在着很大的问题,如神经网络模型的可解释性差,特征提取方面无法充分对可用信息进行建模,推荐算法方面的逻辑性与准确度不够强等方面的问题。本文主要研究了深度学习在特征提取与推荐算法相关的技术,并分析了这些技术所具有的优点与缺点以及其内部的原理机制,针对现有方法存在的缺陷,本文主要对推荐系统领域的用户信息提取和推荐算法方面做出了相关的改进,并最终通过实验验证了其效果的优越性。本文主要工作如下:1.分析了自然语言处理领域内信息提取的主流方法的基本原理如:RNN、CNN、注意力机制以及词嵌入表示法。本文针对传统的自注意力机制可控性差、可解释性不足等问题,首先设计了一种利用限制函数来进行更有目的性特征提取的注意力机制。接下来本文利用词嵌入的思想结合带限制的注意力机制,设计了一层独立的嵌入层网络,从而利用嵌入层网络训练出足以表示用户喜好兴趣的嵌入向量。2.本文利用嵌入层网络训练出来的嵌入向量,针对基线模型推荐算法过于简单、候选集选择不当等问题,设计了一套基于用户候选集相似度的推荐算法,该推荐算法能够更好地利用用户的特征信息来进行更加符合用户喜好的有针对性地推荐,并针对模型计算量大以及冷启动等问题进行了算法优化。最终,在改进模型与基线模型上分别进行了对比实验,验证了改进模型能够很好的进行更加有目的性的推荐,并在准确率、查全率等方面要优于基线模型的效果。