随着数据量爆发式增长,深度神经网络在推荐系统中的应用研究迎来高速发展时期。传统的推荐技术主要包括基于内容的推荐方式(协同推荐技术)、基于用户的推荐方式以及基于模型的推荐方式等。得益于深度学习的重大进展,众多的研究成果纷纷应用于推荐系统,使得基于深度学习的推荐成为一个新兴的主流。基于深度学习的推荐技术对时间信息的使用大都仅限于单次推荐,无法满足推荐系统的长期有效性;应用于推荐系统的深度学习方法过于局限,推荐精度有待提高;深度学习模型在用于推荐系统时,往往存在“冷启动”以及梯度消失的问题,推荐效果较差。针对上述三个问题,本论文主要研究了混合多种时间信息的生成对抗网络算法,并在推荐系统中进行了应用,更具体地说,这里的推荐是指对于电影、音乐等的推荐。首先针对基于深度学习的推荐技术无法充分利用时间信息的问题,论文采用一种混合多种时间因素的奇异值分解方法,该方法不仅考虑了时间因素影响推荐结果的四个主要因素,还考虑了季节性等其他细小时间因素。相较于传统奇异值分解方法,该方法充分利用了时间信息,推荐结果误差更小而且更具时效性;其次针对传统深度学习方法的局限性问题,论文使用在图像等领域应用广泛的生成对抗模型(GAN),该模型利用了极小极大博弈的数学思想,将两个神经网络合并到一个学习模型中,能有效提升推荐准确度;然后针对传统深度学习模型训练慢的问题,论文使用了线程池的方法,在同等条件下,充分高效利用了服务器GPU,加快了模型训练速度,降低了推荐结果的等待时间。最后,将以上模型及方法应用到电影场景推荐中,得到一个改进的推荐算法。经过测试,混合多种时间因素的生成对抗模型在推荐效率和准确度上都有显著的提高,特别是当数据集较大时,效果尤其明显。同时,基于该算法,设计并实现了一个基于电影场景的长期有效推荐系统。