推荐系统是给予消费者消费推荐的一个系统。鉴于网络上可用信息的爆炸式增长,消费者在日常生活中可能会面对无数受欢迎的产品、电影或者餐饮。因此,为了从众多的商品中选出用户所心仪的商品,个性化的推荐就成了给予消费者更好用户体验的基本策略。现在的推荐系统在各种信息访问系统中发挥着举足轻重的作用,以促进用户的决策过程。正是如此,推荐系统在诸多电子商务或媒体网站等领域普遍存在。近些年来,深度学习在自然语言处理、图像识别等诸多领域均取得了显著的成效,也不断有学者在其它领域尝试以深度学习的方式来处理传统方式难以解决的复杂问题。这是由于深度学习能够从海量的数据中准确地提取物品之间隐含的非线性关系,并且能够将各类抽象的行为特征转化成更为具体的数据进行表示。在推荐领域,深度学习使得推荐体系结构发生了巨大的变革,为提高推荐系统的性能提供了更好的方法。基于深度学习的推荐系统克服了传统推荐模式的种种障碍,取得了更高的推荐质量,因此受到了广泛的关注。本文针对基于深度学习的个性化推荐模型的研究主要工作如下:1)对数据集进行数据分析处理,数据处理主要包含对数据集的预处理与对序列数据的增强操作。本文的预处理手段采用了缺损值处理、数据格式化、样本均衡与特征编码等方法,而序列增强则使用了截断、随机抽样等方法。2)对经过处理后的数据提取其隐性特征,此步骤的核心思想在于通过使用合理的模型去提取用户隐藏特征,使得模型能够准确获取到用户的不同注意点以及兴趣变化的趋势。3)在提取完隐性特征的基础上,通过一个特征权重提取模型去获取不同特征序列的权重,并将显性特征、隐性特征、用户信息、物品种类等多种特征相融合,生成了一种新模型,使得新生成的模型的推荐效果有着较大的提升。4)对新模型结构进行评估,分别使用了亚马逊数据集与MovieLens数据集,并与其余推荐算法进行分析对比,证实了新提出的模型能够改善推荐质量,具有良好的普适性。