目前,我们正经历着从信息时代到数据时代的变迁,在享受海量信息的同时,也面临着信息过载所带来的一系列困扰。而推荐系统则可通过技术手段,帮助用户快速定位到目标信息或物品,从而有效缓解了该问题。传统协同过滤算法是目前推荐领域使用最为广泛的算法之一,但评分矩阵稀疏性问题一直是影响其推荐精度的关键。近年来已有研究尝试将深度学习技术用于推荐系统,主要是利用深度学习对异构数据的表征能力,与传统推荐算法相融合。针对这一研究问题,本文从模型设计及辅助信息两个角度出发,提出了一种基于深度学习与协同过滤的紧耦合融合模型,来缓解评分预测问题中因矩阵稀疏导致预测准确率不高的问题。在辅助信息使用方面,论文利用爬虫技术获取了用户侧与物品侧、结构化与非结构化的辅助信息,从数据角度弥补了模型对评分矩阵稀疏性较敏感的问题。在模型设计方面,论文基于辅助信息多样性及结构差异,采用多个不同的深度学习模型进行辅助信息挖掘,用改进后的栈式自编码器来进行用户兴趣学习,利用卷积神经网络来进行物品隐含特征挖掘,并对此模型进行改进,通过引入注意力机制来捕获文本的局部关键点,进而提升挖掘效果。最终基于概率矩阵分解思想实现多个深度学习模型与协同过滤的紧耦合融合,通过综合考虑用户兴趣与物品特征,来监督协同过滤过程最终得到优化后的预测结果。在实验验证方面,本文在10个大规模稀疏度不同的数据集上,与相关的经典算法及最新算法进行了对比,结果表明本文所提算法在预测精度及对稀疏数据的适应力方面均有优秀表现,从而也证明了算法的有效性。