在今天这个互联网时代,信息的增长速度是十分惊人的,推荐系统在我们的生活中占有越来越重要的位置,近年来得到了广泛的研究。作为矩阵分解的一种升级版本,因子分解机得到了广泛的研究,但是它仍然属于线性模型,不能够学习出用户和物品间复杂的非线性关系。基于因子分解机的深层变体,NFM和DeepFM等模型将深度神经网络引入到因子分解机中,有效地解决了上面的问题。尽管如此,它们仍然存在着几个关键问题:1)对输入的各种特征没有做区分;2)无法有效利用用户的历史记录;3)无法自适应地权衡辅助信息的重要性。针对以上这些问题,本文开展了深入的研究,提出了一种记忆感知协同过滤算法,并在此基础上进一步提出了记忆感知门控因子分解机算法,并在多个真实数据集上的实验结果表明本文提出的算法的有效性。本文的主要研究工作如下:1.本文针对考虑用户历史交互记录和引入额外辅助信息的混合推荐算法开展了深入研究,分析了现有研究的优点以及存在的不足。基于矩阵分解和记忆网络的思想,本文提出了记忆感知协同过滤算法(MACF),利用深度神经网络从用户的近期历史交互记录中学习出用户的近期偏好,然后与用户的长期偏好相结合,能够更加准确地预测出用户感兴趣的项目。2.受到LSTM网络中的门控过滤单元的启发,本文设计了一种可以剔除辅助信息当中具有负面影响的特征的门控过滤单元。在能够利用辅助信息的情境下,本文提出了记忆感知门控因子分解机算法(MAGFM),它能够将用户的历史交互项目及额外的辅助信息有效地考虑进来,通过以下几种方式来改进因子分解机方法:1)向每个用户引入一个外部用户存储矩阵,通过利用用户历史交互项目和与历史交互项目相关的辅助信息来丰富模型的表达能力;2)门控过滤单元被应用在用户/项目辅助信息的上,可以自适应地过滤出具有负面影响的特征,以实现更高的准确性;3)设计了简单有效的计算方式对输入的特征做了区分,避免了因子分解机及其深层变体当中的很多冗余的二阶交互。3.针对本文提出的算法,多个真实数据集上展开了实验和分析,验证了文中提出的算法的有效性。