随着时代的发展,在互联网上观看电影等影视资源已成为人民群众重要的精神娱乐来源。电影推荐系统不仅能给用户带来良好的观看体验,满足其个性化需求,还能为视频网站带来巨大的广告收益。电影推荐系统涉及技术众多,其中电影推荐算法是其最核心的技术,目的是准确地挖掘出用户需要或感兴趣的信息。基于深度神经网络的电影推荐算法具有特征学习能力强、实时性好等特点,也存在着对低阶特征组合学习不足、无法利用电影名称等辅助性信息的问题。针对这些问题,研究基于深度因子网络的电影推荐算法,以提高电影评分预测的准确性。主要研究内容和成果如下:针对如何充分学习电影推荐系统中低阶特征组合,从而提高电影评分预测准确性的问题,分析了电影推荐数据高维稀疏的特点,设计了基于因子分解机（FM）的推荐模块。引入精度更高的域感知因子分解机（FFM）算法,提高模型对二阶特征组合的学习能力。提出梯度提升因子分解机（GBFM）算法,对重要特征组合的二阶交叉信息进行学习,利用梯度提升决策树对样本进行编码,再将编码后样本送入FM算法中进行训练。对比实验表明,在电影评分预测的RMSE值上,FFM算法与GBFM算法相对FM算法分别降低了6.0%与5.3%。针对如何学习高阶特征组合以及电影名称等辅助信息,从而模拟真实电影推荐场景的问题,改进了深度因子分解机（Deep FM）模型,设计了基于深度神经网络（DNN）的推荐模块。构造文本卷积网络,以提取电影名称特征。通过数据分析的方式获取重要的统计学特征,加入原始特征集中。对类别型特征进行嵌入处理,根据类别型特征的类别数目情况,采取不同的嵌入维度。通过设置多层隐含层以及激励函数,实现了对高阶特征交叉信息的学习。改进后的DNN模型与原始Deep FM模型相比,在电影评分预测的MSE值上降低了4.4%。针对如何同时学习电影推荐系统中低阶与高阶特征组合,提升模型泛化性能,从而进一步提高电影评分预测准确性的问题,提出深度因子网络模型。采用加权平均的策略对FFM、GBFM以及改进后的DNN模型进行集成,分别用于提取特征的二阶交叉、重要特征组合的二阶交叉以及特征的高阶交叉信息。实验结果表明,深度因子网络模型在电影评分预测的MSE值与RMSE值上相对原始的Deep FM模型分别降低了13.6%以及7%,深度因子网络模型有效提升了电影评分预测的准确性。