随着经济的发展,商品种类的日益增多可以为用户带来更良好体验,但同时也带来了信息过载等问题。为用户推荐最适合的产品是各平台提高用户依赖程度的关键。其中,矩阵补全技术是推荐系统中预测用户对项目偏好最为重要的手段之一。目前,已知的矩阵补全技术尽管有着大量的理论知识作为支撑,仍然存在着一定的局限性。由于线性模型无法捕捉现实世界中的非结构化信息,需要在矩阵填补模型中加入非线性操作。例如,现有的矩阵补全模型或是矩阵补全技术,仅仅是与深度网络结合或是算法的单独填补,却没有涉及到推荐背景的融入,亦或是仅用非线性的手段学习用户和项目的表示向量及交互表征,而没有考虑用户和项目的偏置在推荐中的重要作用。为了解决上述问题,本文提出了一个全新的矩阵分解方法,将矩阵分解技术与深度神经网络相融合,通过从矩阵中学习用户和项目的潜在因子表示向量,并学习用户与项目的偏置构建深度矩阵分解模块并对其进行训练。这解决了矩阵分解无法捕捉非结构性信息的问题,并考虑到推荐系统中用户偏好与项目个性化。同时,使用显式数据和未交互的隐式数据进行训练,将用户对项目的偏好转化为隐式反馈,完美利用到了启发式损失函数归一化交叉熵。为解决矩阵稀疏中,部分用户信息存在异常,数据不足甚至缺少的情况,本文提出了一个基于生成数据增强的矩阵分解模型,它受到生成对抗思想和判别式填补缺失数据方法的启发,将预训练好的深度矩阵分解模块作为模型预测部分的初始化输入,然后,利用生成模型的生成数据继续对矩阵分解模型进行训练,最后,利用训练的结果辅助生成器生成选取位置的数据。矩阵分解模块和生成模型二者相互辅助,使预测模型能够利用生成的接近真实的数据学习更准确的用户表示,以达到提升模型效果的目的。最后,将本文构建的深度矩阵分解模块和基于生成增强的深度矩阵分解模型分别应用在公开的观众电影评分数据集和真实的短期用户访问城市功能区域数据集。本文分别在多个数据集上进行矩阵填补并预测用户对项目的喜好情况,通过与其他最新方法对比,本文提出的两个模型都取得了最好的实验结果和应用效果。此外,通过分析在用户访问城市功能区域的数据集上的性能,可以发现本文提出的模型在功能区域推荐等真实世界的应用场景中依然可以发挥很好的作用。