推荐系统作为解决“信息过载”问题的重要手段,被广泛应用于电影社区、社交网络、生物信息学等领域。而协同过滤推荐技术,由于其简单易实现,推荐结果准确等优点,成为目前最为广泛采用的推荐算法。近些年来,虽然推荐系统在我们生活的方方面面都有所体现,但很多时候我们收到的推荐并不尽人意,这是因为这些推荐系统往往认为用户和项目是独立同分布的,而忽略了用户和项目的总体属性以及它们之间的非独立同分布性,从而导致有限的性能提升。而实际上,用户(项目)通常会与用户间、项目间以及用户和项目之间的丰富耦合相关,这可以更好地解释用户对项目具有个性化偏好的方式和原因。非独立同分布推荐系统公开了推荐的本质,并且已经显示出其在提高推荐质量和解决稀疏性和冷启动等问题方面的潜力。本文主要做了以下工作:(1)在原有NeuCF模型的基础上,通过添加用户和项目的辅助信息,充分考虑用户和项目的内容信息对模型造成的影响,提出了基于辅助信息的神经协同过滤推荐模型sideNeu。然后,在MovieLens数据集上针对不同的参数与NeuCF模型进行对比实验。实验结果表明,在独立同分布学习的基础上,辅助信息在一定程度上会提升模型的性能,但效果有限。(2)基于推荐系统的非独立同分布性,本文提出了基于深度协同过滤的耦合推荐模型sideDCF。该模型首先使用基于卷积神经网络的耦合模型将辅助信息与评分信息关联起来,学习基于辅助信息的耦合特征向量,之后与深度协同过滤模型中得到的隐式特征向量进行连接输出。然后,我们在三个包含属性信息的数据集上进行了参数敏感性分析实验,此外,为了探索sideDCF模型的通用性,我们还使用了生物异构网络DTI数据集,对药物和靶点蛋白质的相互作用进行预测推荐。最后的实验结果表明,通常情况下,该模型比目前优秀的模型性能更好。