随着智能手机的普及,电子商务得到飞速发展。购物篮推荐是电子商务领域中极其重要的一项任务。研究人员已提出使用关联规则、协同过滤、马尔可夫链、循环神经网络等技术进行购物篮推荐。然而这些方法忽略了部分购物篮数据特征,导致一方面推荐结果准确性有待提高,另一方面推荐结果覆盖度和新颖性也有待提高。本文针对购物篮数据特点,使用深度学习方法设计了三种购物篮推荐算法,主要的研究内容和创新如下:首先,沿用购物篮推荐常用的TOP-K推荐任务,针对购物篮数据特点,本文扩展了一种自注意力机制,一方面使用此机制可以充分考虑同一个购物篮中不同商品之间搭配问题,另一方面使用此机制将购物篮商品属性信息融入其中。针对购物篮数据序列特点,本文分别使用循环神经网络和单向自注意力捕捉序列长短期特征。在三个真实数据集上,本文提出的方法在准确性上都优于传统方法。其次,TOK-K推荐任务中推荐结果准确性有所提高,但是结果覆盖度和新颖性低,本文提出基于生成模型的购物篮推荐方法。该方法使用递归的方式进行购物篮内的商品推荐,一次推荐一个商品,递归推荐K次。本文使用生成模型经典的Encoder-Decoder架构,针对Decoder中存在的误差传递和重复预测问题,本文扩展出两种解决方式。在两个真实数据集上,本文提出的方法在推荐结果精确性下降不大的情况下,推荐结果覆盖度、新颖性上有了大幅提高。最后,针对前两种方式中,网络优化的KL散度存在不对称问题。本文提出使用对抗生成的方式做购物篮推荐。使用生成器-判别器架构,生成器预测下一个购物篮中的商品,判别器来判断预测出的商品是否真的被购买。本文扩展了对抗生成模型的优化目标。针对判别器、生成器间梯度无法传递问题使用强化学习的策略梯度。在两个真实数据集上,本文提出的方法在准确性上有了进一步提高。本文针对购物篮数据特征设计了三种购物篮推荐算法,并在真实数据集上开展实验,实验结果表明本文设计的购物篮推荐算法相较于传统推荐算法在推荐结果的准确性、覆盖度和新颖性上都有一定提高。