随着移动互联网的快速发展,网络购物成为了人们日常的购物方式。在现今消费升级的市场环境下,如何满足用户对商品个性化的要求以及增强用户购物体验,是各大电子商务平台关注的重要问题。通过对用户历史购物记录进行数据分析,电子商务平台可以清楚地了解用户对商品的个性化偏好以及周期性购物规律,并进一步提高平台的交易总额。因此本文以商品个性化推荐和商品重购推荐为主要的研究内容,具体使用了深度学习来构建相应的推荐模型。论文主要完成了以下3方面的工作:(1)为解决信息过载问题,传统电子商务平台需要对用户兴趣进行建模,进行商品个性化推荐。对于商品个性化推荐,本文基于Transformer模型和MLP模型提出了 TransRec模型。TransRec模型是首个采用编解码器结构进行商品个性化推荐的模型,在编码端通过位置编码和自注意力实现了用户潜在兴趣的挖掘和用户兴趣迁移的建模;在解码端通过注意力实现了对用户兴趣多样性的建模。TransRec模型在Books数据集和Electronics数据集上的AUC指标分别达到了 0.812和0.756;实验结果表明TransRec的模型效果明显高于现有的其他模型。(2)为提高用户的购物效率,新零售平台需要对用户周期性购买行为进行建模,进行商品重购推荐。对于商品重购推荐,本文提出了基于长短时记忆网络的商品重购推荐模型,实现了用户历史购物记录中时序信息的自动挖掘;并提出了适用于商品重购推荐问题的加权平均序列损失函数。本文进一步将长短时记忆网络与时序卷积网络相结合提出了时序卷积循环网络(TCRNN);TCRNN模型在长短时记忆网络的基础上具备了快速检索全局历史信息的能力,并能够多视角地建模用户周期性购买行为。TCRNN在Instacart数据集上的AUC指标达到了 0.781;实验结果表明TCRNN的模型效果明显高于现有的其他模型。(3)基于Flask框架构建了具体的商品推荐系统,该商品推荐系统能够同时为用户提供商品个性化推荐和商品重购推荐。