随着信息技术的飞速发展和海量用户生成内容的不断丰富,互联网空间中的各类应用引发了数据规模爆发式的增长,人们难以从大量数据中有效地获取需要的信息,导致信息过载问题。推荐系统作为当前解决信息过载问题的有效方法之一,能够帮助用户从大量数据中发掘和满足其需求及潜在兴趣。然而,传统的推荐方法在面临数据稀疏性和异构性等问题时,其推荐效果难以得到保证。近年来,随着深度学习技术在推荐系统领域的广泛应用,基于深度学习的推荐方法能够高效处理复杂数据,并从中深度挖掘用户与物品的特征交互,从而可以有效缓解数据稀疏性和异构性等问题,大大提升了推荐效果。然而,随着用户生成内容的持续增多,用户行为数据变得更加多样化和复杂化,给现有基于深度学习的推荐模型带来了挑战。一方面,深度学习方法虽然具有很强的异构数据处理能力,但是并未充分地与推荐模型进行融合,导致现有的深度推荐模型在面临多样化数据时,无法深入地刻画推荐场景中不同实体的特征,从而限制了模型的学习能力。另一方面,由于用户行为数据中存在大量的冗余信息,而现有的深度推荐模型在面临复杂数据时,往往缺少更为精细化的特征选择方法,因此不能有效地提取与推荐任务相关的数据特征,从而影响了推荐准确性。针对上述问题,本文对基于深度学习的特征提取方法、融合异构数据的深度推荐模型,以及基于注意力机制的深度推荐方法开展研究,主要贡献如下:1.针对数据异构性问题,构建了风格感知的贝叶斯个性化排序推荐模型(Style-aware Bayesian Personalized Ranking,SBPR)。通过深度卷积神经网络提取物品图片的风格特征,设计了深度神经网络结构对实体进行表征。并将贝叶斯个性化排序方法融入到推荐模型中,以实现用户对物品风格偏好的预测,提升了模型的学习能力和推荐性能。2.针对数据稀疏性问题,提出了基于字和句级别注意力机制的推荐方法(Word-level and Sentence-level ATTention,WSATT)。通过文本表示方法对用户行为信息进行表示。设计深度注意力网络结构,分别从字和句级别提取用户行为表征中的关键特征。并将隐因子模型融入推荐方法中,以实现用户对物品不同兴趣点的预测,提升了模型的特征区分能力和预测准确度。3.将本文提出的方法应用于商品推荐任务中。通过与其他代表性的推荐算法在Amazon和Tradesy公开数据集上的比较实验,充分验证了该方法的性能。实验结果表明,本文提出的深度推荐模型取得了良好的实际应用效果。