随着人工智能、移动互联网等技术的迅速发展,信息化的革新给人们生活带来极大便利的同时也经常使用户不知所措。近年来,推荐系统已被证明是解决信息过载问题的有效手段,因而得到了广泛的研究。近年来,混合推荐算法因融合多种算法能改善单一算法的缺点而得到了广泛的研究。其普遍引入用户和物品的辅助信息来缓解该领域常面临的数据稀疏和冷启动问题,而利用辅助信息的关键挑战是有效的对特征之间的交互关系进行建模。近年来大量研究利用深度神经网络来学习特征之间的非线性交互关系。但是目前的研究没有考虑区别对待不同特征之间的交互关系,且模型结构还存在不够完善的问题。此外,知识图谱也作为辅助信息的来源之一,目前的相关研究没有关注到浅层特征之间的低阶线性交互关系。针对以上不足,本文展开了深入的研究工作。本文完成的主要研究工作如下:1.深入研究了现有的基于FM的深度网络推荐算法和基于知识图谱的推荐算法,针对现有研究中存在的优缺点进行了相应的分析和总结。2.基于深度神经网络学习特征之间交互关系的思想,提出了一种新的特征交互网络模型——DPN。目前大多数深度神经网络没有考虑区别对待不同特征之间的交互关系。为了突出重要特征的交互关系,本文提出了深度剪枝网络,同时能更好地捕获重要特征之间线性交互的高阶非线性关系。3.基于FM的思想并结合特征交互网络DPN,提出了一种新的基于FM深度剪枝网络推荐算法——DPFM。现有的基于FM深度网络推荐算法不能将FM模块和DNN模块的串行、并行结构结合在一起。针对该不足,本文提出了DPFM算法,同时能学习特征之间的低阶线性关系和重要高阶非线性关系。4.基于知识图谱的思想,提出了一种新的融合FM和知识图谱推荐算法——MKFM。目前基于知识图谱的推荐算法中大多没有关注到用户和物品的浅层特征之间的低阶线性交互关系。针对现有的不足,本文提出的算法通过融合FM模块来挖掘用户和物品特征之间的浅层特征交互关系,用来增强推荐模型的表征能力。5.本文与多种较为先进的个性化推荐算法在多个公开的真实数据集上进行了对比实验分析,验证了本文提出算法的有效性。