在大数据时代,人们很难从爆炸式增长的数据中找到有价值的信息。推荐系统应运而生,并在人们的生活中得到了广泛的应用。由于用户和项目是推荐系统中不可缺少的对象,因此如何表示用户和项目在推荐方法中起着重要的作用。通常,推荐方法使用用户历史行为数据来预测用户可能的偏好。如何利用这些稀疏的历史行为数据来表示用户和项目的潜在特征是一个高质量的推荐系统所需解决的重要问题之一。这一问题可以通过组合多种方法和整合多个数据源来解决。一方面,可以采用多种方法相结合的策略,从不同角度来表示用户和项目的特征,这在一定程度上可以减少稀疏数据对推荐质量的影响;另一方面,可以通过融合多个数据源的策略来丰富用户和项目的特征信息,从而提高推荐质量。基于以上两个方面,本文采用深度学习的表示学习方法来挖掘用户和项目的特征,继而实现推荐。主要工作如下:(1)本文提出了一种新的top-N推荐方法。该方法通过联合优化贝叶斯个性化排序(BPR)和少即是好协同过滤(CLi MF)中的损失函数来学习用户和项目的潜在特征。实验结果表明,将这两种方法结合起来学习用户和项目的潜在特征,可以增强用户成对偏好的结构多样性,从而提高推荐质量;(2)本文提出了一种融合用户社交信息的方法来学习用户和项目的特征。在该方法中,一个深度的端到端框架被用来同时完成信任网络嵌入任务和推荐任务的学习。这两个任务与一个交叉单元相关联,该交叉单元自动组合推荐系统和信任网络中用户的潜在特征。在两个真实数据集上的实验结果表明,该方法提高了评分预测任务的性能;(3)本文提出了一种融合用户评论和评分信息的推荐方法来学习用户和项目的特征。在这种方法中,自动编码器被用来提取用户和项目的潜在特征。自动编码器的参数则通过评分关系和评论关系之间的对抗学习来获得。在真实数据集上的实验表明,该方法提高了推荐系统中用户对项目的评分预测能力。