推荐系统基于用户历史行为数据建模用户兴趣偏好,从海量数据中获取有价值的信息。协同过滤算法因仅使用评分数据,简单高效,而被广泛应用,但是却存在评分数据稀疏和冷启动问题。引入深度学习技术到推荐系统中为解决上述问题带来了新的研究方向。深度学习可通过构建一种深层次非线性网络结构,从多源信息中提取用户和物品的非线性特征,具备强大的挖掘样本集潜在特征的能力。现如今,基于深度学习的推荐算法在一定程度上取得了不错的研究成果,但仍然存在一些问题:第一,很多基于深度学习算法中仅利用用户的评分数据建模,而忽略了很多不同类型的上下文信息,如评论、标签、地理、社交、时间等信息,未能很好的解决冷启动的问题。第二,在挖掘某用户或商品的评论集中,深度学习模型(RNN,CNN)虽然能很好的保留词序信息,但是将每个单词对评论特征提取的贡献视为同等重要,实际上如果能够加权每个单词的重要程度则能进一步提高推荐质量。第三,算法忽略了用户兴趣变化的时间特性。基于以上问题,本文提出了改进算法,具体工作如下:(1)针对传统协同过滤算法仅依靠用户评分数据的低维向量方法存在的推荐结果精确度低以及冷启动问题。本文提出一种新的动态混合推荐算法,将栈式降噪自动编码器融入到基于用户的协同过滤中,学习用户的深层次特征,并与基于用户项目属性偏好的相似度融合。在预测生成阶段,设置时间衰减项,动态预测访问概率,及时更新用户兴趣变化,从而提高推荐质量。在Movie Lens数据集上的实验结果表明,与UB-CF、AE、SDAE和SDAE-IA算法相比,该算法在准确率和召回率方面取得了较好的效果。(2)针对用户-兴趣点签到矩阵的高稀疏性问题和兴趣点评论文本重要度欠缺等问题。本文提出了Re Ge So模型。首先,利用预训练的BERT模型取代以往的词嵌入模型,直接将兴趣点评论信息送入到BERT模型得到每个评论信息的隐表达,采用双向LSTM并结合注意力机制来衡量每个单词对兴趣点评论文本挖掘的重要程度,使得模型可以较为准确的理解文本中的序列信息和情感趋向,并建模位置兴趣点的潜在因子。其次,在矩阵分解模型的基础上,融合位置兴趣点的用户社交信息和地理影响因子,将多源异构数据融入到统一的概率因子模型中求解,进而更加精准的挖掘用户兴趣偏好。实验结果表明,与没有使用双向LSTM注意力机制网络处理评论文本信息的算法相比,该算法推荐性能明显提高。本文共有图33个,表7个,参考文献88篇。