随着互联网技术的飞速发展,我们已经进入了信息过载的时代,面对互联网上海量的信息,人们需要花费大量时间才能找到他们真正需要的信息。在此背景下,推荐系统应运而生了,推荐系统通过分析用户过去的行为,为用户智能推荐他(她)可能感兴趣的信息。推荐系统经过近20年的发展,已经被很多企业应用在了实际的系统中,如Yotube、Amazon、淘宝和今日头条等。虽然推荐系统已经在企业中得到了广泛的应用,但是它仍然面临着准确性、冷启动和可扩展性等问题。协同过滤算法是推荐系统最常用且最成功的算法,其中矩阵分解是一种广泛使用的协同过滤模型。矩阵分解模型通过随机梯度下降法(SGD)对参数进行更新,它在模型训练的过程中需要对训练集遍历若干次。基于SGD的矩阵分解模型是一种离线算法,需要构造离线训练集;并且它的可扩展性有限,即随着数据集的增加,训练耗时急剧增加。为了解决矩阵分解模型的可扩展性问题,本文提出了一种基于FTRL的矩阵分解模型,它通过FTRL方法对参数进行更新,只需要遍历一次训练集,大大降低了模型的训练时间。同时它也是一种在线学习算法,可以实时地根据用户的反馈数据对模型进行更新,从而能够及时对用户的行为进行快速响应。在MovieLens数据集上的实验表明,基于FTRL的矩阵分解模型比基于SGD的矩阵分解模型的准确率仅仅降低了2.3%,但是训练耗时缩短了 10倍。为了缓解推荐系统的冷启动问题并且提高推荐结果的准确性,本文提出了一种新型的基于深度学习的混合推荐模型。该模型根据历史行为和属性信息计算用户对物品的喜好程度,即用户对商家的评分或商品点击概率。历史行为包括用户的评分数据和点击历史等,属性信息指的是用户年龄和商家类型等。该模型在得到用户和物品的隐因子向量之后,不是利用内积或余弦相似度等线性模型计算喜好程度,而是充分考虑用户和物品隐因子向量之间的特征交叉,从而提高了预测结果的准确性。在MovieLens数据集上与其他模型的对比实验表明,我们提出的模型在推荐准确率和模型复杂度方面都有优势。最后,我们把基于FTRL的矩阵分解模型和所提出的混合推荐模型应用在绿出行APP的商家推荐算法设计中。绿出行推荐算法分为两个阶段:召回阶段和预测阶段。召回阶段利用基于FTRL的矩阵分解模型,从全体商家中挑选出一小部分用户可能感兴趣的商家,提供给排序阶段。排序阶段利用所提出的混合推荐模型对召回阶段挑选出的商家进行打分并排序,为用户生成一份商家推荐列表。