21世纪的发展伴随着信息革命的爆发,全球数据量呈指数级增长。过量的信息让人们目不暇接,难以从中寻找到自己需要的信息。为了缓解信息过载的问题,推荐系统成为一种越来越重要的个性化信息过滤手段。深度学习已经在很多领域取得了突破性进展,本文将其应用于推荐系统,获得明显成效。同时,知识图谱的提出极大地改善了人们获取知识的效率和质量,作为一个富含有效信息的知识库,知识图谱也可以给推荐系统提供很多辅助信息以改善推荐性能。在推荐系统中,对用户的偏好的准确建模对推荐的质量至关重要,本文引入深度学习相关的模型,主要围绕用户偏好的建模做了以下两点研究工作:(1)在许多应用了推荐系统的在线网站中,用户和系统之间的交互通常按时间段被组织成会话。现有的方法大部分假设会话间彼此独立,忽略来自用户历史会话的长期信息,或者将同一个会话中的用户偏好视为静态的。但事实上,大多数的在线网站会对用户的选择进行记录。同一个用户的会话之间存在着联系;并且即使在同一个会话内,用户的偏好也是会有变化的。现有的方法既没有充分的利用用户的历史会话信息,同时也难以细粒度地表征用户在真实环境中的行为。因此,本文提出了一种新的框架-循环记忆网络(Recurrent Memory Networks,RMNet),它对用户的长短时偏好进行统一建模。RMNet中的关键组件是会话级偏好演变单元和注意力检索单元,分别有助于显式地表征长时用户偏好转移和短时偏好变化。本文不仅从理论框架上论证了RMNet相对于最近的相关研究工作的先进性;并且在一个工作推荐的真实数据集上进行了大量的实验,实验结果证明RMNet相对于最先进的基线方法取得了实质性的提升。(2)为了解决协同过滤的稀疏性和冷启动问题,研究人员通常利用辅助信息(如社交网络或物品属性)来提高推荐性能。本文将知识图谱作为辅助信息的来源。为了解决现有单一基于嵌入或者基于路径的知识图谱协作的推荐系统的局限性,本文提出了涟漪网络,这是一种将知识图谱自然地合并到推荐系统中的端到端框架。类似于在水面传播的涟漪,涟漪网络沿着知识图谱自动地迭代扩展用户的潜在兴趣,来模拟用户偏好在知识实体集合上的传播。由用户的历史点击物品激活的多个“涟漪”叠加形成用户对于候选物品的偏好分布,可用于预测用户对物品的点击概率。最后在电影、书籍和新闻推荐三个推荐场景下进行了大量实验,相比基线方法,涟漪网络获得了更好的推荐性能。同时,涟漪网络为推荐算法的可解释性提供了一个新的视角。