随着用户和商品内容的快速增长,导致用户越来越难凭借手动搜索或逐一查看的方式获得自己感兴趣的商品,为了提升用户的消费体验和效率,互联网平台利用推荐系统帮助用户在选购商品时提供参考,借助推荐算法挖掘出用户最可能喜欢的商品进行推送。但传统的推荐算法在面对历史交互数据稀疏或新商品推荐的情形时都存在明显的不足,在推荐领域使用深度神经网络的方法可以有效的解决以上问题。本文将基于潜在特征的模型与深度神经网络有效结合在一起,提出了两种混合推荐算法,能够同时从商品内容信息和历史交互信息中挖掘特征,分别应用于不同生命周期的商品推荐。最后根据商品特点构建了基于深度神经网络的推荐框架,为不同的商品匹配合适的算法,提升推荐的准确性。本文的主要工作包括:(1)详细分析了传统推荐算法结合深度学习技术的发展历程和研究现状,提出了目前研究中存在的不足,给出了造成这些不足的原因并给出解决的思路。将本论文中所涉及到的相关理论基础进行介绍,分别对协同过滤算法、基于内容的推荐和深度神经网络的基本思想、理论背景和实际应用中适用情况展开介绍。(2)新商品缺乏历史交互数据,通过引入图像数据并利用卷积神经网络从中提取商品视觉内容特征作为推荐系统的辅助信息,结合隐语义模型从评分数据中挖掘的商品潜在特征,两类特征相辅相成、互相补充。将卷积神经网络和隐语义模型有效结合,并提出了一种新颖的混合推荐算法,通过在真实数据集下的对比实验,该算法要明显优于其他的模型,在数据稀少时,模型表现出优良的稳定性。(3)为了提高成熟商品的推荐效果,引入高质量的评论文本数据,利用基于注意力机制的长短期记忆神经网络从用户和商品的评论文本提取文本特征表征商品的潜在特性,弥补文本与推荐系统的语义鸿沟。与潜语义模型挖掘评分数据的特征两者结合,相互制约、相互补充。最后通过现实世界的真实数据集对该混合推荐算法进行对比实验,实验结果表明该算法提高了评分预测的准确性且很好的兼顾了推荐效率。(4)将前面提出的基于深度神经网络的推荐算法集成到一个推荐框架中,根据商品的不同生命周期将产品细分,分别采用不同的方法进行训练和预测,有效提高准确性。另外,该推荐框架充分利用当今互联网时代的数据资源,添加了蕴藏大量信息的非结构化数据,丰富推荐系统的数据输入。通过对比实验评估基于深度神经网络的推荐框架整体的推荐性能。实验结果证明,本文提出的基于深度神经网络的推荐框架的推荐性能优于现有的推荐框架。