随着科学技术的发展,网络上传播着越来越多的信息,信息过载的问题随之而来。分类目录和搜索引擎这两种解决办法虽然在一定程度上能够帮助用户实现快速查找,但是随着数据量的不断增加,这两种办法已经不能够很好的为用户服务。推荐系统的产生弥补了分类目录和搜索引擎的不足,能够根据用户的历史行为实现主动式的推荐,给用户提供他们感兴趣并且有用的信息。目前,网络上存在着大量的中学生学习资料,包括学习方法、学习目标、知识拓展等信息,不管是对于学生、家长还是老师来说,没有一个完整的网站可以将这些学习资料整合在一起,更没有将推荐算法应用在其中的网站。面对这么多的中学生资讯信息,将推荐算法应用在资讯网站上,针对不同的对象,为其生成不同的推荐列表,可以有效地提高用户体验。近几年,深度学习的快速发展在计算机视觉、自然语言处理领域已经取得了非常好的成绩。所以,将深度学习与传统的推荐算法结合起来,实现一个基于深度学习的中学生资讯网站具有非常重要的现实意义。为了实现基于深度学习的中学生资讯网站,本论文主要研究了以下内容:1、本文介绍了推荐系统的研究背景和意义,然后详细介绍了基于内容的推荐算法、基于记忆的推荐算法、基于模型的推荐算法以及混合推荐算法这几种传统的推荐算法,并且介绍了这些推荐算法的优缺点,最后介绍了对于推荐算法中常用的相似度的计算方式。2、本文详细阐述了神经协同过滤(NCF)算法,介绍了该算法所使用的多层感知机的缺点,并改进了该算法中的网络结构。首次提出将残差网络和神经协同过滤算法相结合的思想,提出一个新的基于残差网络的推荐模型ResnetNCF。使用Python3语言和深度学习框架Tensorflow来实现所提出的ResnetNCF算法,并且在推荐模型常用的公开数据集MovieLens 1M和Yelp上进行了实验结果的对比和分析,实验结果显示,ResnetNCF方法在性能指标上相比其他的算法有了提高。3、本文实现了一个基于深度学习的中学生学习资讯网站,包括推荐、搜索、发现、学科分类等多个模块,针对网站中的主要功能模块进行了测试。并且将本文中所提出的ResnetNCF方法应用在该网站上的推荐模块中,形成了一个个性化的资讯推荐网站,可以更好的提高推荐的效果。