近年来,随着信息网络的迅猛发展,时刻都会产生纷繁冗余的数据,用户面对海量数据,可能无法准确对有效信息进行选择。因此,推荐系统作为帮助用户获取精准高效信息的必要工具应运而生。传统推荐方法容易遭受数据稀疏性和冷启动等问题,并且难以应对用户偏好以及用户与项目之间的关系随着时间的推移而产生变化的问题。矩阵分解和张量分解在推荐系统中得到广泛的应用,但二者还存在不少局限性,第一,线性模型参数的较小随机扰动可能会导致较大的后向误差,缺乏对潜在因子之间的非线性进行表征建模的能力。第二,没有考虑到模型训练过程中容易受到模型参数的干扰,在泛化过程中可能存在较大误差。第三,缺乏捕获文档的关键上下文信息,与无用特征的交互可能会引入噪声并降低性能。针对上述问题,本文将深度学习与传统框架组合构建新的深层网络进行表示学习,有效缓解数据稀疏性。引入对抗扰动使模型拟合过程稳定,改善了鲁棒性及泛化能力。论文主要工作如下:1.针对基于深度学习的协同过滤算法未考虑到关联数据的多维交互随时间动态变化的问题,提出了一种融合时间交互学习和注意力长短时记忆网络的张量分解推荐模型（LSTM-Attention Neural Tensor Factorization,LA-NTF）。首先通过结合注意力机制的长短时记忆网络从项目文本信息中提取项目的潜在向量,进而使用融合注意力机制的长短时记忆网络来表征用户-项目关系数据在时间上的多维交互,最后将用户-项目-时间三维张量嵌入多层感知器中,学习不同潜在因子之间的非线性结构特征。在Movie Lens-1M和Netflix数据集上的大量实验表明,相比较于传统方法和最近流行的基于神经网络的矩阵分解模型,RMSE和MAE指标均有明显提升,说明LA-NTF模型可显著改善各种动态关系数据的评级预测任务。2.针对传统推荐算法采用浅层模型无法学习用户与项目之间的深层次特征,以及推荐模型极易受到其参数的对抗干扰的问题,本文在矩阵分解的基础上将对抗学习、注意力门控循环单元和注意力卷积神经网络相结合,提出了推荐模型（GRU-Attention-CNNAttention-Adversarial Matrix Factorization,GA-CA-AMF）。先采用结合注意力机制的门控循环单元从用户文本信息中提取用户的潜在因子;再使用融合注意力机制的卷积神经网络从项目文本信息中提取项目的潜在因子;最后,在用户和项目的潜在因子上引入对抗性扰动以量化矩阵模型在参数扰动下的损失,从而预测用户对项目的评级。在Movie Lens-1M和Movie Lens-10M数据集上进行实验,实验结果表明,本文模型增强了模型的鲁棒性从而提高了其泛化性能,同时缓解了数据稀疏性。