作为最有效的信息过滤系统之一,推荐系统在这信息过载的时代发挥着极大的作用。大量关于个性化推荐的技术被提出,然而这些技术中依旧存在以下两个局限:(1)认为推荐过程是静态的,忽略了推荐系统中的动态特性的影响;(2)数据稀疏性的问题依旧存在。为了缓解以上两个问题,本文中分别提出了两个推荐模型:基于深度强化学习的推荐模型Recommendation System based on Deep Reinforcement Learning and Attention Mechanism(DRA)以及融合了推荐模型DRA和社交网络信息的推荐模型DRA+。推荐模型DRA。将用户与推荐系统的交互过程视为顺序决策过程,并将深度强化学习模型DDPG作为基础模型。考虑到推荐系统中强化学习的定义,利用PMF的方法预训练生成内容向量来构成模型的输入。同时,通过显式地结合用户向量和内容向量来更合理地表达用户状态。此外,利用用户状态中内容的位置信息和各位置的内容与动作的相似性设计了注意力机制来进一步挖掘用户的兴趣变化。最后在三个公开的数据集MovieLens(100k)、MovieLens(1M)和Jester(2)上进行了充分的实验,证明了推荐模型DRA确实能够通过深入挖掘用户兴趣变化来提高推荐性能。推荐模型DRA+。在推荐模型DRA的基础上,融入了社交网络信息来缓解由于数据稀疏带给推荐系统的影响。从社交网络信息中提取得到信息主要有两种:信任关系和相似关系。为了能够充分利用这两种信息,再分别将其划分为两部分,即显式和隐式信任关系以及全局和局部相似关系。然后,本文提出了一种自适应调节权重的方法,该方法能够更好的模拟用户的选择倾向。最后在两个实验数据集FilmTrust和CiaoDVD上进行了充分的实验,推荐模型DRA+展现了最佳的效果,证明了通过利用社交网络信息能够缓解数据稀疏性为推荐性能带来的影响。