近年来,由于信息化时代进一步发展,信息呈爆炸式增加,社会开始进入信息过载的时期,推荐系统应运而生。由于传统的协同过滤推荐算法的实现过程十分依赖用户的评价信息,这导致在数据稀疏的情形下,推荐的有效性往往不尽人意。本文引入用户和项目的质量这一隐含的特征信息,从用户评分分布和消除选择偏差的角度对用户和项目的质量信息进行研究。具体地,用户评分分布的研究从用户评分和项目质量的一致性以及用户评分数值分布两个方面展开,目的是更准确的对用户和项目的质量信息进行测度。消除选择偏差则是对逆倾向评分（Inverse Propensity Scores,IPS）和数据填充这两种方法进行改进,引入时间序列的思想解决IPS和数据填充方法存在的可扩展和兴趣漂移的问题,目的是对用户评分数据质量进行测度和提升。本文的工作主要包括以下方面:第一,为了更准确高效的获取用户和项目的质量特征信息,本文提出一种融合用户和项目质量特征的深度推荐模型,利用深度学习方法高效获取用户项目的质量特征信息,进而提高推荐的实用性及准确性。第二,对比研究了现有的用户项目质量测度方法的缺陷,从用户评分和项目质量一致性以及评分数值分布两个角度提出用户和项目质量的测度方法。采用这种方法时仅需统计出所有已知值的概率值分布,然后再利用此分布分配权重来获得预测评分,能够有效解决由于评分结果缺失所造成的用户和项目质量的测度误差问题。第三,本文探究了选择偏差对用户评分质量的影响,对IPS和数据填充这两种消除选择偏差的方法存在的不足进行改进。具体来说,通过评分时间稠密序列方法选择用户评分密集的数据进行预测,缓解了由于评分数量增大导致IPS方法效率下降的问题;通过时间序列算法得到的用户倾向特征作为用户隐含质量特征,来缓解IPS方法中出现的用户倾向表现不足以及数据填充方法中对用户倾向缺乏考虑的问题,目的是提高IPS方法和数据填充方法的实用性和可扩展性,进而缓解选择偏差问题,改善用户评分数据的质量,最终提高预测用户评分的准确性。最后,针对不同数据集进行应用研究。通过在一些公开的数据集上进行对比实验,证明了本文所提出的融合用户项目质量特征的深度推荐模型可以有效的对用户和项目的质量信息进行准确测度。验证了基于深度神经网络的改进推荐算法,运用在获取和处理用户和项目直接特征和隐含特征数据方面有很好的效果,证明了结合质量测度的深度推荐方法有很高的价值性,能够有效提高评分预测准确性和推荐的质量,并且在不同的推荐领域使用质量测度的方法也有很好的普适性。