随着互联网信息时代的到来,人类接受的信息量呈现爆炸性的增长,越来越多的人在面对网上的海量信息时显得不知所措,个性化推荐系统的研发不得不提上日程以缓解大数据时代信息爆炸对人类造成的困扰,这一问题在电商领域显得尤为重要。一个优秀的推荐系统不仅可以帮助用户更好的选择商品,同时还可以帮助电商获得更多的利润。当前该领域广泛采用的是基于协同过滤的推荐算法,这种算法在一定程度上取得了不错的表现。然而基于协同过滤的推荐算法仍然跳不出用户所关注的商品的相似商品,于是本文提出了一种结合深度学习算法的推荐系统,可以进行跨领域推荐,结合自然语言处理中一些已有的技术,将用户购买的商品构成一条类似自然语言处理中的语句。既然运用深度学习可以通过训练找到人类语言中的一些不为人知的规律,那么便可以迁移到推荐中,通过深度学习找到人类购买商品时一些不是很直观的规律,并将这种规律应用到推荐系统中来。本文主要做了以下几个方面的工作:一是提出了一种商品进行编码的Item2Vec技术,该技术可以通过用户的历史行为数据将商品从普通的商品编号转换为一种具有知识表示功能的向量,类似于自然语言处理中词编码,可以有效的提高后期模型训练的效果。二是提出了一种新的相似性度量,能够很好的解决在数据高度稀疏情况下的聚类问题。由于人类的复杂性,不同的人有不同的价值观,那么在商品购买领域中的规律其实并不具有普适性,为了更加精准的推荐,将用户进行聚类,具有类似购买行为的用户运用同一种训练出来的模型进行推荐,然而由于电商数据的高度稀疏性,导致传统的聚类相似度算法不能很好的工作,本文提出的相似度计量方法可以很好的解决该问题。三是运用sequence to sequence模型搭建商品的推荐系统。将用户一段时间内的对商品的行为记录(浏览、收藏和购买等)作为输入,得到模型反馈的输出作为推荐列表。