随着互联网技术的快速发展和移动设备的普及,人们网上的交流也越来越频繁,这导致网络信息迅速的增长。在如此庞大的数据量中找到有价值的信息变的非常困难。推荐系统就是一种有效解决该问题的方法。它不仅帮助用户快速检索,同时在商业领域有着广泛的应用,为众多公司带来利润,因此受到许多研究机构的重视。高效的推荐方法不仅具有实用性,同时还具有很高的商业价值。本文将深度学习与传统的推荐方法进行结合,提出了一种F-LFM-LSTM评分预测模型。在Movie Lens100k数据集上,本文研究了不同网络参数对推荐算法准确度的影响。此外,还研究了用户的标签信息,项目的标签信息对推荐准确度的影响。具体研究工作如下:（1）本文研究了基于有效特征的LSTM评分预测模型。首先通过隐语义模型（LFM）提取用户有效特征和项目有效特征;然后利用LSTM网络对其进行组合优化,提出了一种F-LFM-LSTM评分预测模型;其次,本文测试了不同网络参数对F-LFM-LSTM评分预测模型预测效果的影响,并确定相关参数的最优值;最后,通过在Movie Lens100k数据集上进行实验,结果表明:本文提出的F-LFM-LSTM评分预测模型相比于改进之前的LFM模型有更好的预测精度。另外,本文将F-LFM-LSTM评分预测模型与另外两个优秀的推荐预测算法,即Mean Square Difference（MSD）和Weight Slope One Algorithm（WSOA）,进行比较,从评价指标MAE和RMSE上可知本文提出的F-LFM-LSTM评分预测模型有更好的效果,能够提高预测准确度。（2）本文研究了基于融合特征的F-LFM-LSTM评分预测模型。在F-LFM-LSTM评分预测模型的扩展区中,分析了用户的标签信息和项目的标签信息对F-LFM-LSTM评分预测模型预测结果的影响。本文将标签信息分成单标签信息和多标签信息进行研究。首先研究了单标签信息对F-LFM-LSTM评分预测模型预测效果的影响。通过在Movie Lens100k数据集上研究发现:对提高预测精度来说,项目类别信息是一种积极有效的标签信息。然后在单标签的研究成果上,以项目类别信息为主,融合其他标签信息组成多标签信息,进而分析多标签信息对F-LFM-LSTM评分预测模型预测效果的影响。实验结果表明:融合标签信息并不是越多越好,适量的融合标签信息可以有效提高预测效果。综上所述,本文主要研究了F-LFM-LSTM评分预测模型的预测效果。并从单标签和多标签两个方面,分析了用户的标签信息和项目的标签信息对推荐效果的影响。