推荐系统在过去几年中得到了很好的研究。作为推荐系统中的典型代表协同过滤算法已广泛用于根据用户的历史购买行为或对商品评分为用户推荐商品。然而,当用户和商品之间的交互信息不足时,协同过滤算法通常会给出较低精度的推荐。作为协同过滤算法的代表,隐向量模型主要利用用户和商品之间的评分信息,尽管最近有些模型可以使用一些辅助信息(例如,社交网络,异质信息),但是现有推荐的隐向量模型通常只利用用户和商品之间的历史交互信息而不区分用户和商品的不同方面的信息。然而,在丰富的社交媒体和电商交易中,用户和商品的隐向量可能源于不同方面,例如,电影推荐中的用户的隐向量可能来自电影类型或导演,所以推荐系统广泛存在的异质信息可以被用来提升推荐系统的效果。针对推荐场景中广泛存在的异质信息,本论文提出用户和商品的方面层级的隐向量,并提出方面层级隐向量的协同过滤算法(Aspect-level Collaborative Filtering,简称ACF)。ACF模型将推荐系统中的丰富对象和对象之间的关系建模为异质信息网络,然后通过元路径提取用户和商品的不同方面的信息。此外,ACF模型还设计了一个深度神经网络用于学习用户和商品的不同的方面层级隐向量并将这些隐向量整合到推荐中。在三个真实数据集的实验表明,与传统的隐向量模型和最近的神经网络模型相比,本论文所提出的ACF模型可以显着改善推荐性能。在传统的推荐算法中,用户和商品之间普遍存在交互信息不足的问题即冷启动问题,为了解决冷启动问题,我们常常可以利用用户和商品交互的多视图数据,例如推荐系统中的用户对商品的评论文本。结构信息(即,评分交互信息)和文本信息(即评论)广泛存在于电子商务平台中,这两种信息构成了推荐系统中数据的两个典型视图。针对推荐系统中的多视图数据,本论文提出了利用深度模型对结构信息和文本信息进行表示学习的算法(Representation Learning with Depth and Breadth,简称RLDB),以有效地从这两种不同视图的数据中提取不同的表示。本论文首先提出了一种新的基于元路径的异质信息网络表示学习方法来处理用户和商品的结构信息,并使用卷积神经网络来处理文本信息。最后,提出了一种端到端的广度学习方法,通过采用多视图机将结构表示和文本表示有效地结合在一起并且在统一框架下共同优化了两种视图数据的特征表示,避免了首先提取特征然后融合它们的两阶段方法的两阶段优化方法。在三个真实数据集进行的大量实验证明了RLDB模型的有效性。这些实验不仅说明了RLDB模型在显著改善性能方面的优势,而且还显示了其在缓解冷启动问题方面的潜力。