推荐系统作为大数据环境下解决信息过载问题的关键性技术,其核心在于帮助用户更便捷地找到他们感兴趣的内容。内容资源越庞大时,推荐系统的存在意义就越大。而推荐算法便是推荐系统的核心,因此近年来针对推荐算法的研究具有重要的理论意义与应用价值。面对推荐系统中典型的用户-项目评分预测问题,本文改进了神经协同过滤模型,利用深度学习思想重构了隐因子模型的矩阵分解过程,结合向量化技术和神经网络来对用户和项目的隐因子进行抽象表示。同时结合特征交叉思想,进一步为模型引入了辅助特征向量帮助其更好的建模。实验对比中,本文改进后的模型预测RMSE稳定在0.8038,对比当下非深度学习领域最佳的非负矩阵分解模型,预测准确度提升了7%;对比主流的深度学习模型,本模型预测准确度提升了4%,有着比较明显的改善。在模型鲁棒性的研究中,本文尝试了噪音注入的思路,在基于隐因子学习的神经矩阵分解模型基础上提出了具有良好鲁棒性的版本。通过在模型中引入噪音层,模拟随机扰动,来增加模型在实际环境中面对恶意攻击的抗性。随后的实验结果也证明,加入噪音层后的新模型表现出更好的鲁棒性,面对同等条件的恶意攻击,针对新模型攻击的成功率下降了22.5%。本文针对推荐系统预测模型普遍面临的泛化性问题,从模型复杂度和正则化方法两个角度进行了详细的理论分析与实验对比研究。研究结果表明:恰当的模型复杂度和正则化方法都可以明显提升模型的泛化能力。最后本文初步探索了推荐系统的冷启动问题和模型训练效率问题。研究中参考特征交叉思想改进了基于内容的冷启动解决方案,在实验对比中,相较于常见的最热榜单推荐方案,本文的方案在预测命中率方面提升了2倍以上。