在数据超载的时代,为了方便用户的信息查找过程,各种信息检索技术得到了广泛的应用。推荐系统作为一种典型的信息推送模式,已经成为面向用户系统的核心服务和主要的货币化营销手段。协同过滤是推荐系统中最为经典的推荐策略,根据用户-物品评分矩阵来模拟用户偏好,但现实中交互数据往往是稀疏的,因此面临着推荐精度不高的问题。与传统方法相比,深度学习可以提高推荐系统的性能,特别是在文本辅助信息可用的情况下。为了获取物品描述文档的隐藏特征并与评分信息相融合,学术界涌现出在神经网络模型中堆叠更多层的方法。然而,随着网络的加深,前传信号逐渐衰弱会导致卷积神经网络提取文本语义信息的能力下降。梯度在反向传播过程中消失,造成无法调整权重,训练过程被迫暂停。因此本文探索了极致残差连接在自然语言处理上的应用,结合深度学习方法训练基于推荐的预测模型,主要工作如下:1.本文提出了基于极致残差连接的卷积协同过滤(xRConvCF)模型来预测用户对物品的评分。在卷积层与层之间创建极致残差(xRes)连接,其开辟的数据旁路融合了全局信息且形成了一个残差模块。实现了利用深层网络完成推荐性能指标的同时,可缓解梯度消失问题以及加强特征复用功能。xRConvCF能够有效地捕获非线性的用户和物品之间的交互,完成评分预测任务。2.本文首先利用文本辅助信息扩充数据源;再利用残差模块中特有的卷积方式最大程度感知文本内容;随后通过网络学习生成用户潜在向量表示和物品潜在向量表示;最后将二者融合特征向量输入到多层感知机获得最终评分。网络采取最小化预测评分与真实评分之间的误差进行参数优化学习。因此,融合评分数据与文本信息可以有效缓解数据稀疏问题,同时基于深度学习技术能够帮助模型获得精准推荐。在MovieLens 1M和MovieLens 10M两个真实的数据集上展开的多次探究实验,表明了基于极致残差连接的内容感知协同过滤推荐算法的高效性。此外验证了本文提出的模型架构各组件的协同作用;同时讨论了词嵌入维度、隐藏层层数、残差层层数三个不同参数对模型性能的影响;最后与现有网络模型相比,本文提出的方法表现出了良好的推荐性能。