互联网技术的飞速发展极大地改变民众的生活,与此同时也带来数据规模的激增,提高用户准确快速地找到目标信息的难度。搜索引擎在一定程度上缓解了“信息过载”的问题,但是依旧无法满足民众变幻无常的需求,因此便产生推荐系统。推荐系统已普遍应用于各行各业,一个好的推荐算法可以极大地提高企业的收入,提升用户的满意度。然而,现有的推荐算法饱受数据稀疏性、冷启动、推荐的解释性等问题的困扰,导致推荐精度较低,用户体验度较差。随着深度学习技术的蓬勃发展,将推荐算法与深度学习技术融合解决上述问题成为新的发展趋势。本文针对冷启动问题与数据稀疏性问题,综合分析现有研究的不足,并尝试将深度学习与协同过滤相结合进行混合推荐,充分利用物品属性、评论文本等辅助信息,以缓解上述问题带来的精度下降现象。本文的主要研究工作如下:(1)提出一种面向完全冷启动的深度混合协同过滤推荐算法。该算法设计一种将机器学习与协同过滤结合的通用框架,为充分挖掘物品属性,使用深度降噪自编码器学习物品的隐特征,替换物品因子。针对冷启动特性,根据学习到的隐特征,引入安全的S4VM算法初步预测新物品的评分,结合改进的考虑时间因素与实际情形的LFM模型,最终产生预测评分。通过理论分析与实验,表明该算法能够有效应对新物品的冷启动问题,提高推荐的解释性。(2)针对数据稀疏性问题,基于现有的深度合作神经网络,提出一种基于注意力机制的并行网络推荐算法。该算法考虑词序问题,使用两个并行的卷积神经网络同时对用户的评论文本与物品的描述信息建模。针对长文本中单词的重要性,设计一种基于注意力机制的池化算法,并应用于并行的CNN中。最终通过一个共享结构关联两个并行网络,使用因式分解进行预测评分。实验结果证实,该算法通过挖掘评论文本与描述信息,很大程度上解决了数据稀疏性问题,MAE与RMSE误差较经典算法降低约12%。(3)设计并实现一个电商原型系统,将上述两个算法封装成通用的推荐模块,以当今流行的微服务的形式应用其中,同时结合系统实际辅以相似推荐,提高用户的体验度与满意度。