互联网和信息技术的发展带来了数据量呈几何级数的爆炸式增长,人们在网络上进行事件评论、购物等活动会产生的大量数据,这些数据中包含对用户有用的信息和无效的信息。为了能够快速发现用户行为规律,更好地将未知的新项目和社会事件推荐给用户,同时解决信息过载问题,推荐系统发挥了越来越重要的作用。由于深度神经网络（Deep Neural Network,DNN）的广泛应用,丰富的文本上下文信息特征被识别并存储下来,使得卷积神经网络（Convolutional Neural Networks,CNN）成为当前推荐系统的研究热点。然而,现今的超大规模数据量和评级数据的极度稀疏性使得基于传统CNN推荐方法难以取得理想的推荐性能。本文主要研究基于对传统CNN推荐方法的改进,以解决由于评级数据稀疏性导致推荐质量和推荐精度严重恶化的问题。本文工作主要包括以下三个部分:1.针对传统卷积神经网络的固有结构属性限制的问题,本文提出一种基于可变形卷积网络矩阵分解（Deformable Convolutional Network Matrix Factorization,DCNMF）的新文档信息推荐模型。具体来说,首先使用预先训练的词嵌入模型将项目文档转换为密集的数字矩阵,以便于网络处理。然后将DCN与词嵌入相结合,以更好地理解项目描述文档。由于推荐是回归任务,所以将DCN集成到概率矩阵分解模型（Probabilistic Matrix Factorization,PMF）中,以准确地近似用户对具有极稀疏数据的项目评级。通过在三个不同的真实数据集中进行实验仿真,并与其他先进推荐算法进行比较,仿真实验结果表明所提模型取得了不错的结果。2.针对传统词嵌入的文本表示方法只考虑文本本身的语义信息,并没有考虑词语的情感极性信息的缺陷,本文提出一种基于情感权重的深度卷积神经网络（Deep Convolutional Neural Network Recommendation Model Based On Emotional Weight,Deep Conv EW）的推荐模型。该模型主要是由两个并行的卷积神经网络组成,其中一个网络偏重于利用用户文本来学习用户的行为,另一个网络偏重于利用项目文本来学习项目属性,在网络的底部利用基于TF-IDF的词嵌入文本表示方法将用户/项目文本表示为密集的具有情感权重的数字矩阵,在网络的顶层引入共享层将两个网络连接在一起,共享层主要使用分解机（Factorization Machine,FM）将用户和项目进行交互,以达到预测的目的。通过在Amazon和Yelp公开数据集上进行仿真实验,结果表明所提模型的性能明显优于现有的基线推荐模型。3.针对评论文本信息对推荐质量有效性的问题以及注意力机制的应用,本文利用基于注意力机制来对评论文本信息的有用特征和无用特征进行重新权重分配,并提出了基于加倍注意力机制的深度卷积神经网络（Deep Convolutional Neural Network Based On Double Attention,Deep Conv DA）的推荐模型。该模型首先在词嵌入层引入注意矩阵对文本权重进行初步分配,然后在网络的池化层再次引入注意矩阵对文本特征进行分配,这样可以更深入的了解文档,特别是对于极度稀疏的评级数据,使其发挥出更大的功能,提高推荐系统的质量与准确度。通过在Amazon和Yelp公开数据集上进行仿真实验,并与其他推荐算法进行比较,仿真实验结果表明所提模型取得了不错的结果。