随着互联网技术的迅速发展,网络上的信息资源呈现指数增长的趋势,海量的信息资源导致了信息过载问题。推荐系统是解决信息过载的有效方法,在过去二十多年里,研究人员不断提出新的推荐算法和相关技术,使得推荐系统得到了长足的发展。但是就目前来看,推荐系统相关技术的研究仍有很多问题和挑战亟需解决。本论文针对现有推荐系统方法对辅助信息的利用和特征提取、多源辅助信息的融合等问题展开研究,重点聚焦于如何高效地提取辅助信息特征以及如何处理多源辅助信息融合问题。论文的主要的研究工作如下:(1)针对辅助信息特征的高效提取问题,本文提出一种基于半自动编码器的协同过滤推荐算法。算法利用半自动编码器(Semi-Autoencoder)提取用户和物品的辅助信息特征,并将提取出来的特征通过映射矩阵分别映射到矩阵分解模型的用户和物品的隐含向量上,实现特征提取与矩阵分解模型联合学习,充分发挥辅助信息对矩阵分解模型的补充作用。实验结果表明本文提出的模型的推荐效果取得了有效的提升,验证了半自动编码器提取辅助信息特征的有效性。(2)针对多源辅助信息特征融合问题,本文提出了一种融合交互历史和辅助信息的深度协同过滤方法。将用户和物品的交互历史当做一种辅助信息,使用深层降噪自编码器提取用户和物品的辅助信息特征,并把多种提取出来的辅助信息特征当作本文设计的特征融合网络的输入,输出多种辅助信息融合后的特征。设计这个融合网络的目的是将多种辅助信息特征映射到同一特征空间下,解决了多源辅助信息的融合问题。实验结果也表明本文提出的模型在有融合网络时的推荐准确性要比没有融合网络时好,说明了本文提出方法的有效性。