随着互联网的快速发展与普及,网络中的信息量呈现爆炸式地增长,用户很难从海量数据中筛选出其感兴趣的内容,从而出现信息过载的问题。推荐系统是解决信息过载的重要工具,而协同过滤算法是推荐系统中研究与应用最为广泛的算法。近年来,推荐系统不断融入神经网络及深度学习的技术以提升推荐性能。基于神经网络的推荐算法具有更强的表征能力,可以从用户的行为记录中深度挖掘出用户偏好,并一定程度上缓解传统推荐算法的可扩展性问题。推荐系统中存在多种记录用户与物品历史交互的方式,不同方式的交互记录都包含了丰富且有价值的用户偏好信息。因此如何融合这些有效信息,进一步提升推荐系统的推荐性能,是推荐系统中一个有价值的研究课题。同时,推荐系统中用户与物品的数量往往十分庞大,在基于深度学习的推荐算法中,如何利用历史交互数据准确地对用户与物品进行嵌入表示,从而提升推荐模型的收敛速度与推荐准确度,成为了推荐系统领域的研究基础与热点。本文研究基于多任务神经协同过滤的推荐方法,同时探究对用户与物品进行嵌入表示的方法,提升模型的推荐性能。具体工作如下:（1）提出了一种深度融合显式及隐式评分的多任务神经协同过滤模型。显式评分与隐式评分是推荐系统中最常用的两类评分方式。显式评分是指用户对物品的具体评分,可以直观地表示用户对物品的喜爱程度。隐式评分是指用户与物品间是否存在交互行为的记录,可以全面地体现用户可能感兴趣的范围。本模型从网络结构与损失函数两个方面对两类评分信息进行深度融合。在模型的网络结构上,设计两个辅助任务分别学习用户-物品的显式评分特征与隐式评分特征,并将两个特征向量进行拼接输入主任务网络,经多层全连接网络非线性映射得到用户对物品评分的预测。在主任务的损失函数上,根据物品显式评分构建权重项,设计加权二分类交叉熵损失函数,从而将显式评分融入到二分类交叉熵损失函数中,这相当于在损失函数中加入注意力机制,使训练过程中推荐模型投入更多的注意力在高评分的记录上,因而使模型获得了更好推荐性能。（2）提出了一种基于User&Item2vec与深度融合显式及隐式评分的多任务协同过滤模型。本方法为了解决基于端到端深度推荐模型嵌入层在训练过程中参数多、计算开销大以及影响模型主体结构优化的问题,设计User&Item2vec模型首先提取用户与物品的嵌入向量表示,再将用户向量与物品向量输入至深度融合显式及隐式评分的多任务协同过滤模型进行评分预测。User&Item2vec方法根据用户与物品的历史交互记录进行建模,使用单隐层的网络结构快速训练并提取出用户与物品的向量表示。关于真实世界中三个不同规模的数据集的实验结果表明,基于User&Item2vec提取用户与物品的向量表示,并使用深度融合显式及隐式评分的多任务协同过滤模型进行推荐,可以获得更高质量的推荐结果。（3）提出了一种基于User&Item2vec与广义矩阵分解的多任务协同过滤模型。为了进一步提升推荐结果的准确性,在深度融合显式及隐式评分的多任务协同过滤模型的基础上,加入广义矩阵分解模块,使模型对输入特征兼具“泛化能力”与“记忆能力”。同时在模型参数初始化阶段,放弃随机初始化这种不包含先验信息的参数初始化方法,而是利用User&Item2vec提取出的特征向量对广义矩阵分解模块的嵌入层进行初始化,加快模型的收敛速度并提高推荐结果的准确性。实验结果表明,加入广义矩阵分解模块可以加强模型的记忆能力,同时利用先验信息对参数初始化,可以进一步提升推荐模型的性能。