随着互联网行业的蓬勃发展,人们逐渐从信息匮乏时代走入了信息过载时代。个性化推荐系统通过分析用户的兴趣,发掘用户的潜在偏好,展示给用户个性化的内容,可以有效解决信息过载的问题。推荐的精准度越高,用户的体验越好。排序学习方法采用机器学习技术预测用户的偏好,可以有效提升推荐系统的精准度。随着近几年深度学习技术的快速发展,深度学习对比于常用的机器学习方法,在预测精度上有较大的提升。深度学习由于网络结构复杂,可以拟合特征之间更多的非线性关系,具有更高的信息表达能力。但复杂的网络结构导致模型参数繁多,在训练过程中会存在梯度消失、训练不充分等问题。本文提出了一种基于矩阵分解、聚类及基于外积的深度神经网络的训练框架,可以有效解决深度学习模型由于网络结构复杂带来的问题,从而提升模型预测的精度。本文详细介绍了排序学习应用于推荐系统的研究现状和基本原理,并针对现有方法的不足,提出了一种新的排序学习框架。不同于常见的排序学习方法,首先采用矩阵分解模型对用户及商品进行表示学习,产出用户及商品的隐含向量,用作深度神经网络的特征输入;然后使用聚类方法对用户和商品隐含向量进行聚类划分,产出用户及商品在行为数据中的粗粒度划分,用作网络的特征输入;在模型的网络结构上,为了使得模型对输入特征学习更加充分,引入外积层网络结构,提出了 WDPN(Wide&Deep Product-based Neural Network,基于外积的深度神经网络)模型进行训练;最终根据训练得到的模型打分预测用户对商品的偏好,为用户生成推荐列表。为了验证本文提出的排序学习框架的有效性,在两份国际公开数据集上对比了本框架与现有常见框架之间的效果差异,同时也对框架中的超参数进行多维度的分析。实验结果表明,本文所提出的排序学习框架在评测指标(离线AUC、MAP@20)上对比常见排序学习模型有所提升,有效提升了模型预测的精度,从而提升了推荐系统的精准度。