随着互联网的飞跃发展,互联网上信息也呈现急速增长的趋势,信息过载问题越发严重。推荐系统已经成为解决信息过载问题的重要解决方案。协同过滤(Collaborative Filtering,CF)则是其中的主流模型之一,在学术界以及工业界中均获得了大范围的应用。协同过滤从用户对物品的隐式反馈(例如,物品购买历史,浏览日志等)等数据建模用户对物品的偏好函数从而产生最后的推荐结果,但同时也忽略了物品的相关属性信息,例如物品的视觉特征,物品的标签分类等,从而在某种程度上限制了模型的性能。本文认为物品的视觉特征对于用户偏好建模有着重要的影响。为此,本文提出了融合物品视觉特征的稀疏线性模型,将物品的视觉特征同用户-物品交互记录联合考虑,共同建模用户-物品交互函数。本文围绕融合物品视觉特征这一问题进行了深入的探究,主要研究工作如下:(1)传统的协同过滤推荐算法仅仅考虑用户对物品的交互信息,忽视了物品的视觉特征,从而限制了模型的表达效果。本文将物品的视觉特征融入基于用户-物品交互的稀疏线性模型中,使用线性回归的方式建模物品的视觉特征对用户偏好的影响,实验结果表明模型的效果取得了明显的提升,同时验证了视觉特征确实对用户偏好存在着重要影响。(2)在众多协同过滤推荐算法中,矩阵分解则是其中最简单有效的方法。然而矩阵分解模型对于关键的用户-物品交互函数使用向量内积这一线性函数建模,一定程度上限制了模型的表达。为此,本文在融入物品的视觉特征基础之上,考虑使用深度神经网络建模用户-物品交互函数,捕捉用户-物品之间的非线性高阶交互关系。实验结果表明,本文提出的基于BPR融合物品视觉特征的深度协同过滤推荐模型能够有效的提取物品的视觉特征,捕捉用户-物品之间的非线性高阶交互关系,实现了更加通用精准的推荐。