随着互联网的应用与信息技术的普及,整个社会进入了数据爆炸,信息冗余的时代。海量非结构化信息过载,使得用户经常需要消耗大量的时间和精力来找出他们所需要的东西。推荐系统是解决这一问题不可或缺的重要工具。现如今,主流的推荐系统主要有三类:一是基于内容的推荐,二是协同过滤推荐,三是混合推荐。基于内容的推荐能准确学习到用户特征,解释性强,却面临分析内容有限,过度特殊化及冷启动问题;协同过滤不需要太多对应数据领域的专业知识,但其仍然不能有效避免用户冷启动、数据稀疏性等问题;混合推荐系统是基于多种不同的推荐技术,进行整合,实现其优势互补,来获得更好的效果。本文主要工作如下:1)针对推荐系统冷启动问题和传统推荐算法寻优速率过慢的问题,提出一种带增量的矩阵分解模型。该模型在矩阵分解算法的基础上,融入了用户和项目的偏执因子,并且在迭代计算过程中,使用带增量的批量学习算法加速训练过程。基于数据集Movie Lens-100k和Movie Lens-1M的实验表明,相较于传统的矩阵分解算法,带增量的矩阵分解模型的均方根误差(Root Mean Square Error,RMSE)比矩阵分解算法降低约0.3%-0.7%,训练效率上提升约18%-21%;2)针对推荐系统冷启动和稀疏性问题,提出一种融合长短期记忆网络和概率矩阵分解的推荐模型,深度概率矩阵分解模型。该模型基于概率矩阵分解结构分解用户-项目评分矩阵,获取用户特征;并利用长短期记忆网络强大的学习能力,深度挖掘项目辅助信息,获取项目特征;最后将二者有机结合,有效提升了算法的性能。实验表明,该模型相较于其它基于深度学习的推荐模型,均方根误差有效降低了2%-4%;3)将带增量的矩阵分解模型和深度概率矩阵分解模型进行融合,提出带增量的深度概率矩阵分解模型。该模型基于二者优势互补,利用前者提升算法的学习效率,利用后者提升算法的学习能力,拟合能力和抗干扰能力。实验证明带增量的深度协同过滤模型的RMSE相较于其他算法降低了约1%-7%,训练效率提升了约15%-25%。