万维网使用户可以方便地访问各种服务,如电子商务,社交网络,网络借贷和在线工作平台。个性化的推荐系统对于消费者和供应商是必要的,并且随着新产品的不断推出及消费者行为的改变,个性化的推荐系统可以不断学习新的模式来满足消费者和供应商的供应需求。因此,对基于词嵌入的个性化推荐系统的研究很有必要。本文针对于不同推荐场景,不同的数据集,对相应的推荐算法进行了研究。主要研究工作如下:1)提出一种融合段向量的改进协同过滤算法。协同过滤算法存在不能够为推荐结果提供解释性的缺点,而文本信息对推荐系统而言具有非常重要的价值,因此采用词嵌入方法对文本信息进行训练得到用户和商品的分布式表征,该表征反映文本的相似程度以及语义信息。通过将这两种算法相结合,可解决协同过滤不能提供解释性的缺点。2)提出一种降维优化的混合推荐算法。该算法通过将主成分分析算法和协同过滤算法相结合来提高推荐的精度。在协同过滤算法中,采用均方根差异来比较推荐精度,并且分析了在不同的测度下推荐精度的变化。通过对物品与相应标签的关联度进行主成分分析,将降维后的关联度与协同过滤算法中的相似度进行加权,进而提高推荐精度。通过实验,分析了在不同维度下,时间复杂度以及推荐精度的变化。3)提出一种基于循环神经网络的推荐算法。传统推荐算法已经不能够完全应对越来越多的推荐场景,因此随着深度学习技术的发展,深度学习技术已经被用来解决推荐问题。本文进行了特征工程的构建,根据构建的特征,为每个用户和商品构建了时间序列数据,进而采用循环神经网络对用户是否购买进行预测。实验表明,融合段向量的改进协同过滤算法,能够为推荐结果提供解释性;相比于协同过滤算法,降维优化的混合推荐算法能将推荐精度提升2.85%;基于循环神经网络的推荐算法的F值达到66%。本文提出的个性化推荐系统具有一定的可行性。最后,对本文中存在的问题及下一步的科研工作进行了说明。