随着数据的飞速增长,推荐系统成为连接用户和数据的重要桥梁。通过对用户历史行为进行分析,推荐系统能够有效地挖掘出用户的偏好,完成各种类型的个性化推荐任务。在推荐系统如此重要且火热的当下,也面临着诸多挑战。在互联网数据飞速增长的同时,单个用户的交互数据却少之又少,这带来了严重的数据稀疏的问题,想要每个用户的静态偏好都得到准确且充分的表征变得十分困难。其次,当下正处于动态变化的世界,每一秒都有百万甚至千万级别的数据在产生,传统的静态的推荐系统很难去捕获到数据的变化以及用户偏好的动态变化。因此,有效处理数据稀疏带来的挑战,同时针对动态的数据建模,是现有推荐系统研究的重点。本文作者针对推荐场景中用户行为偏好挖掘等问题,从用户静态偏好挖掘和用户动态偏好挖掘两个方面出发对基于卷积神经网络的用户行为偏好模式挖掘进行研究,主要贡献如下:（1）推荐系统的核心目标是为了准确刻画出用户的偏好,用户的静态偏好反应了用户的本质属性,然而极度稀疏的用户物品交互信息给推荐系统带来了不小的挑战。本文从不同源数据之间的一致性和互补性出发,提出了以卷积矩阵分解模型为基础的深度推荐模型CMF。具体来说,对于评分和评论这两个不同领域的信息,作者引入了投影层去挖掘出两者各自特有的部分与共通的部分,从而更加精确地刻画用户静态偏好。在三个真实数据集上的实验结果表明,CMF模型能够有效地对稀疏的用户行为数据进行建模,提升推荐任务的预测精度,同时得益于挖掘出了更多更有效的信息,CMF模型在数据集中的长尾数据上也有优异的表现。（2）用户和数据的数量和内在结构都在随着时间发生变化,用不变的思维去预测动态变化的事物是不可取的。本文借鉴蒸馏学习的思路,基于历史数据训练得到一个基础模型,基于现在的增量数据训练得到一个增量模型,两者组合成了本文提出的深度增量推荐模型DIR。在数据增长的过程中,作者主要关注新数据以及新旧数据之间的差异,而不是重训所有数据,同时作者首次提出了一种新的衡量数据变化程度的方法:数据迁移度。一系列在真实数据集上的实验证明了 DIR模型的性能显著好于已有的增量推荐模型。