信息过载问题已经成为互联网应用发展所面临的重大挑战问题之一。推荐系统（Recommender System,RS）是最常见的用于缓解信息过载的手段之一,并已被网站和应用程序广泛采用。目前,深度学习方法已经成为提取多模态数据特征的最有效手段,因此,为了更好的利用多模态数据来实现精准推荐,必须对基于深度学习的推荐系统进行分析研究。虽然,深度学习方法是推荐系统研究的前沿热点。然而,由于缺乏对文本和用户数据在推荐系统中特征提取的深入认识,现有的面向文本的深度推荐算法大多并未充分挖掘文本和用户的特征信息,导致预测精度低。因此,针对各类利用文本作为额外反馈进行推荐的网站或者应用（比如淘宝网和今日头条）,基于文本数据和用户数据在具体场景中的特点,设计面向文本的深度推荐算法是一种实现精准推荐的有效途径。基于该出发点,本文针对多模态数据开展了基于深度学习的推荐系统的研究与实现。主要工作包括:第一,本文在深度推荐系统中提出了多层次注意力机制,并基于该机制提出了一个针对文本数据和用户数据的推荐算法。该机制经过训练,可得到词语级别和全文级别的注意力权重。它会自动的选择与推荐紧密相关的词语,为不同评论赋予不同权重,过滤低质量的评论,进而对用户评分做出更准确的预测。此外,该注意力机制为推荐结果的可解释性提供了评论上的依据,具体为:能够筛选出用户感兴趣的评论和关键词,帮助用户摆脱通过阅读大量评论来获取物品信息的途径。这对于目前的推荐系统有较大的实际意义。（对应第二章）第二,本文提出了耦合因子分解机和多层感知机的混合预测结构,并基于该结构提出了针对评分预测的推荐算法。该预测结构能对用户与物品间的复杂、非线性关系进行建模。因子分解机负责对低阶关系的建模;多层感知机实现对高阶、非线性关系的建模。虽然现在有许多将传统方法与深度方法相结合的混合模型,但是目前的主流混合模型主要针对点击率预测。本文针对评分预测实现一个权重共享的混合预测结构,实现良好的效果,并为相关研究提供一定的参考意义。（对应第三章）第三,本文设计实现了一个新闻推荐系统。首先,本文将上述两种算法结合起来实现了一个端到端的深度算法。该算法是新闻推荐系统的核心。其次,本文设计实现了新闻推荐系统的前后端。最后,本文将各个部件组合在一起,实现了一个新闻推荐系统。总的来说,该系统包含了前后端,实现了个性化新闻的推送。除此之外,该系统具有用户注册功能、新闻抓取功能、文本预处理功能、个性化推荐、新闻推送、取消订阅等与新闻推荐紧密相关的功能。（对应第四章）