随着大数据时代的到来以及通信等硬件设施性能的提升,导致信息爆炸。人们浏览互联网时面对繁杂的信息,很难从中高效地选择出自己需要或喜欢的信息,此时推荐系统应运而生。用户浏览互联网时产生的用户反馈数据是反映用户偏好的重要信息,针对目前隐式反馈单一推荐模型对用户偏好挖掘不充分的问题,利用矩阵分解和神经网络构建联合推荐模型,并引入双重注意力机制多层次挖掘用户偏好;针对推荐算法的研究大都只使用一类反馈数据的缺陷,基于联合推荐模型,提出了适用于显隐式反馈的推荐算法,以更好地利用用户反馈数据,提高推荐准确性。本文所做工作及研究如下:（1）针对目前深度学习协同过滤推荐算法大都只根据神经网络获取到的非线性偏好为用户推荐个性化列表这一缺陷,选用双塔型神经网络,联合矩阵分解推荐线性偏好特征提取技术,提出了基于隐式反馈的深度矩阵分解推荐算法。随后还引入了双重注意力机制,多层次挖掘用户隐式偏好。（2）针对深度学习推荐算法往往只根据一类反馈数据构建推荐模型,忽略了显隐式反馈数据两者互补性这一特点,提出了基于显隐式反馈的用户偏好预测深度矩阵分解推荐算法。首先以显隐式反馈数据共同作为输入数据,其次选用单塔型神经网络模型,提取用户-项目交互的深层非线性偏好特征,降低模型整体复杂度。最后,将提取的用户-项目交互浅层和深层偏好特征通过全连接层联合,共同预测用户偏好,并提出了一种新的显隐式反馈混合损失函数,用于模型的训练。（3）基于top-N任务,在ml-100k和ml-1m两个不同量级的数据集上,将提出的三种深度矩阵分解联合推荐算法与先进基线算法,开展了多维对比实验。实验结果表明本文提出的联合推荐算法能够有效挖掘用户反馈中的偏好信息,提高推荐准确性和稳定性,缓解数据稀疏和冷启动问题,并通过实验确定了模型重要超参数的最佳区间。（4）设计开发了一个推荐算法开发集成平台,使用python语言和pytorch框架等构建,便于科研论文复现和开展相关实验。