随着大数据和云计算技术的发展,各种数据呈现指数形式增长,信息过载的问题日益严重。如何从海量的数据中给用户推荐符合用户爱好的数据成为了亟待解决的问题,因此推荐算法得到了工业界和学术界的广泛关注和研究。推荐算法主要分为基于内容的推荐、协同过滤和混合推荐。基于内容的推荐可解释性强,但是面临用户冷启动和推荐结果新颖性的问题;协同过滤可以通过用户和项目的信息进行推荐,缓解新颖性的问题,但是面临着数据稀疏的问题;混合推荐算法利用各个算法的优势进行组合,提高推荐系统的整体性能。传统的推荐算法主要是利用浅层模型或者人工提取特征的方式获得用户和项目的潜在特征,无法对特征进行深层次挖掘。深度学习可以通过多层次的网络结构从海量的用户行为数据和项目的辅助信息中获取用户和项目的潜在特征表达。因此,本文主要对基于深度学习的推荐算法进行研究。首先,本文通过项目的文本信息计算项目之间的相似度,并将其与基于项目的协同过滤算法得到的相似度进行加权融合,提出融合文本信息的协同过滤算法。该算法能够缓解评分矩阵稀疏的问题,并且由于引入了项目的文本信息,所以可以避免新项目的冷启动问题。其次,本文提出了基于评分权重的LSTM推荐算法。该算法利用长短时记忆网络从用户的历史行为数据中捕获用户的兴趣特征,并且结合两个权重参数对用户特征进行修正,分别为用户对当前项目的评分与用户历史评分和的比值、用户对项目的评分与项目平均评分的比值。通过在公开数据集上进行实验对比,该算法模型在预测评分的均方根误差上优于对比算法。最后,本文提出了基于深度学习和PMF的混合推荐算法。该混合算法利用深度学习和PMF分别预测评分,然后将预测评分进行混合。在深度学习预测评分的过程中,利用卷积神经网络获取项目名称和评论的特征向量。在评分混合模块中,分别使用线性回归和逻辑回归进行评分混合,选取均方根误差最小的混合方法作为最后的混合推荐算法。