伴随着大数据时代的到来,推荐系统在互联网的很多领域都得到了应用,并且在逐渐改变着人们的生活。推荐系统本质上是通过一定方式将用户和项目联系起来,而这个方式可以有很多种,不同的方式构成了不同的推荐系统。不同平台对用户行为的影响构成的跨平台方式可以发展成为跨域推荐;朋友推荐的方式可以发展成为社交推荐。深度学习的方法常被用来学习图像、文本等有效的低维表示,这种表示可以用来补充或替换传统的推荐算法,比如协同过滤。本文以深度学习方法为核心,分别就跨域推荐和社交推荐问题提出不同的解决方法。本文主要创新点如下:(1)本文提出了一种跨领域推荐中基于语义特征对抗学习的表示学习算法,该算法结合了基于内容和基于迁移学习的方法,并且无需辅助域和目标域之间的用户重叠或者项目重叠。本文提出的算法解决了当前跨域推荐面临的三种挑战:通常的跨域推荐系统(CDRSs)很难找到异构信息域之间的连接关系,所以大多数关注的是同质信息域,或者假定用户是重叠的;通常的CDRSs是基于历史反馈来开发或基于在目标域中推荐不同项目来探索不确定的用户兴趣,但是他们很难在这两者之间取得平衡;通常的CDRSs因为没有针对用户或项目的历史反馈或者关联证明,所以冷启动问题会降低他们的推荐性能。为了应对这些挑战,本文提取了相关域之间的可迁移特征并获得关联,然后在两个数据集上进行实验,结果表明有较好的性能。(2)本文提出了一种社交推荐中基于双注意力图模型的表示学习算法,该算法既考虑了从用户的评论中检索用户偏好特征和商品特征,也考虑了用户的社交感知网络和商品的关联感知网络的影响,从而提高了推荐性能。本文提出的算法主要贡献有三个方面:首次将基于评论的层次结构注意力模型与两个图模型(用户社交模型和商品关联模型)进行结合,然后用于评级预测;提出的算法不仅提高了评级预测的可解释性,还展示了社交网络对评级预测的有效影响;在真实社交数据集上的结果表明,本文提出的算法优于其他基于评论的社交评级预测的最新算法。