推荐系统是购物、教育、新闻和娱乐等互联网平台中解决信息过载的重要技术,是信息检索和数据挖掘等领域的研究热点。该技术已成功应用于各种互联网平台的产品、内容和服务的个性化推荐。它不仅能最大限度挖掘用户偏好和帮助用户获取感兴趣的个性化信息,也能在保持用户良好体验的同时达成互联网公司的商业目标。随着深度学习和自然语言处理等技术的发展,推荐领域形成了基于机器学习的混合推荐方法。相比传统的基于协同过滤的推荐方法和基于内容的推荐方法而言,该类混合推荐方法能够从多源异构数据中挖掘序列信息,以及自动提取用户和项目丰富的隐藏特征,能够更有效地反映用户的不同偏好以实现个性化推荐。此类方法已经得到了学术界以及工业界的极大关注,在未来必将会得到更广泛和更深入的研究和应用。当前基于深度学习的混合推荐方法,虽然一定程度上解决了传统推荐方法中特征提取依赖人工、难以从多源异构数据提取特征等问题,但是容易忽略结构化数据中组合信息和整体信息蕴含的丰富隐藏特征,也容易忽略文本数据（非结构化数据）中存在单词稀疏和单词同义等问题。此外,现有基于深度学习的混合推荐方法属于高度依赖标注数据的有监督学习方法,在新领域、新系统或者隐私保护极度严格的环境中难以收集可用人工标注数据（或者标注数据规模过小）,导致难以训练出可用模型。因此,在恶劣环境中解决冷启动问题是推荐领域迫切需要解决的科学问题,具有重要的研究意义。针对这一亟待解决的且具有挑战性的科学问题,本文在注意力机制、记忆回放机制和神经网络的适应性改进等方面展开了深入研究,具体内容如下:首先,针对传统推荐方法存在的数据稀疏、冷启动难和特征提取过度依赖人工等问题,本文提出了基于“字符-短语”注意力机制和因子分解机的混合推荐方法。一是注意到评论文本中核心词汇以及重要短语对特征提取均有影响且存在差异,分别提出字符级注意力和短语级注意力,共同形成了基于自然语言处理的“字符-短语”注意力机制,从局部到整体两个不同粒度对用户和项目的评论文本进行分析,从中挖掘核心词汇以及重要短语对目标特征的影响。二是基于“字符-短语”注意力机制构建双列卷积神经网络（Convolutional Neural Network,CNN）同时挖掘用户和项目的隐藏表达特征。三是利用因子分解机从它们的隐藏特征中挖掘关联关系,形成一种先进的混合推荐方法（ACNN-FM）。其次,针对单个用户在具有海量签到数据规模的个性化兴趣点（Point-Of-Interest,POI）推荐中,存在数据稀疏、冷启动难和难以挖掘出有价值的长尾POI的问题,本文提出了一种可以有效提升数据利用率的基于“局部-整体”注意力机制的个性化兴趣点推荐方法（HAM-POIRec）。该方法为了从有限的数据中挖掘更多隐含特征,提出了显式特征和隐式特征的概念,可以指引基于深度学习的POI推荐方法提供选择数据和计算模型的思路;提出一种“局部-整体”结构的注意力机制,在局部关注单个特征对POI推荐的贡献度,在整体上挖掘组合特征以及整体特征对POI推荐的贡献度和蕴含的隐藏特征;在POI推荐领域首次提出了基于自然语言处理的“用户-POI”匹配度计算机制,并用该机制微调用户的POI推荐列表实现更高精度的推荐。最后,为了解决深度强化学习方法（Deep Reinforcement Learning,DRL）在推荐领域存在的用户项目数量过大且动态可变、动作空间高度离散和环境交互反馈极度稀疏等问题,以实现不依赖人工标注数据的强化推荐方法,本文提出了一种基于层次注意力和增强经验优先回放机制的深度强化推荐方法（HEDRL-Rec）。该方法提出了一种基于层次注意力机制的行动者（Actor）神经网络,有效挖掘用户（或项目）状态的局部特征和整体特征（含组合特征）所蕴含辅助信息以及对推荐结构的重要程度;同时,提出了一种既重用历史经验又考虑经验重要性不同的增强经验优先回放机制,缓解模型过拟合的同时可以解决DRL中样本不均衡、难以收敛和学习效率低的问题;进而,融合提出了基于深度确定性策略梯度网络结构（Deep Deterministic Policy Gradient,DDPG）架构的深度强化推荐训练方法,有效保证了模型的可收敛和可拟合,较好地缓解了推荐领域的冷启动问题和实现了不依赖人工标注数据的个性化推荐。