随着互联网的深入普及与蓬勃发展,网络应用担当的角色逐渐从一个以信息资源为中心的内容提供者,发展成为一个以人为中心的交互式平台化网络。如今我们正进入由移动互联网所引领的大数据时代。在大数据时代的背景下,众多的网络应用给人们的日常生活、工作学习、休闲娱乐等带来了极大的便利,然而也产生了一些问题。一方面,巨量的网络数据信息使信息超载成为一种常态,互联网用户在寻找与自己兴趣相关的信息时,遇到了极大的困扰。另一方面,如何在互联网平台上向潜在的感兴趣的用户呈现海量数据,以提高服务水平,对于服务提供者而言也是一个很大的困难。推荐系统就是为解决这些问题而设计的,它的主要功能是从海量的信息中发现用户感兴趣的内容。淘宝、亚马逊等互联网平台在采用推荐系统方面的成功经验表明了,推荐系统不但可以提供给互联网用户较好的使用体验,还能为企业创造极大的商业价值。目前,传统的推荐方法主要可以划分为两类,基于内容的推荐方法和基于协同过滤的推荐方法。基于内容的推荐方法仅通过文本属性特征为用户筛选出那些相似的项目,缺乏对用户反馈信息的挖掘,存在着推荐内容同质化和用户端冷启动等问题;基于协同过滤的推荐,依赖用户与项目的交互信息,存在着数据稀疏性等问题。基于上述情况,本文研究深度神经网络在推荐问题上的应用,我们探索和尝试解决在具体网络应用场景下传统推荐方法难以适用的问题。主要的研究内容如下:1.针对电子商务网络应用场景,本文选取会话推荐问题作为研究目标,提出了基于注意力机制和神经网络的用户会话推荐模型(UserVec-Att)。本文一方面考虑用户的长期行为偏好,采用多层感知机构建用户会话的向量化表达;另一方面,考虑会话推荐问题的特殊性,在用户的下一个点击行为中,用户的短期动态兴趣是重要的影响因素,因此采用注意力机制建模用户的会话行为序列,构建出用户的短期兴趣表达。我们的模型将用户的下一个点击行为建模为多分类问题,为用户提供Top-K推荐。对比实验结果表明了我们的模型具有更好的推荐性能,同时也验证了注意力机制在处理用户会话序列问题上的有效性。2.针对基于位置的社交网络应用场景,本文选取兴趣地点推荐问题作为研究目标,提出了基于图嵌入表达和神经网络的兴趣点推荐模型(SG-NeuRec)。本文首先将用户的社交图网络与兴趣点的地理图网络抽象成为无权图的形式,通过引入一种基于自动编码器的无监督学习的方式,得到用户和兴趣点的图嵌入特征表达;接着借助深度神经网络学习用户与兴趣点的交互表达,并在我们设计的统一的神经网络框架下融合了社交、地理和时间等影响因素。充分的实验结果表明了,我们的模型有效地提高了兴趣点推荐的准确性。