随着大数据、云计算等信息技术的蓬勃发展,特别是随着5G时代的到来,互联网中各类应用不断涌现,数据规模急速增长,人们难以从海量数据中发掘自身需要的信息,进而引发严重的信息过载问题。推荐系统作为当下解决信息过载问题的有效方法之一,能够高效地帮助用户发现其潜在感兴趣的项目,已成为当今科学界持续关注的热点话题并得到广泛应用。然而传统推荐算法受限于数据稀疏性以及冷启动问题,导致推荐性能下降明显。近年来,深度学习技术在自然语言处理、计算机视觉和语音识别等领域取得快速发展。借助深度学习强大的特征提取与学习能力,与传统推荐算法相结合,能够显著提升推荐性能。然而,随着现实生活中用户和项目的特征信息不断增加,给现有的基于深度学习的推荐技术带来了挑战。一方面,已有的深度学习模型往往只能通过接受单一输入源信息来学习其特征表示。然而,当数据极其稀疏时,模型的特征提取能力可能会降低。同时,在面临多源异构信息时,无法实现特征的高效融合。另一方面,传统的推荐技术仅仅考虑用户或项目的单一特征信息,尚有大量的异构信息没有得到充分利用,导致用户画像不够精确,从而影响推荐性能。针对上述挑战,本文对异构信息特征处理、信息融合深度模型构建,以及深度学习在推荐技术中的相关应用展开研究,主要工作如下:1.针对异构信息融合问题,构建了附加变分自编码器深度学习模型(Additional Variational Autoencoder,AVAE)。将变分推断与神经网络相结合,学习多种异构信息的潜在特征表示。通过组合叠加的方式来学习数据概率分布,从而提取网络隐层信息,并将其作为用户或项目的特征表示。提升了特征提取能力,实现了异构信息的高效融合。2.针对数据稀疏性和冷启动问题,提出多场景异构信息融合的推荐算法。将融合异构信息的深度学习模型与推荐算法相结合。面向不同数据场景,分别设计基于项目的异构信息融合和基于用户与项目协同的异构信息融合推荐算法。利用概率图模型,实现了异构信息特征提取与推荐任务的紧耦合,提升了推荐性能。3.将本文提出的算法应用于文章与电影推荐,并与其他代表性的推荐算法在公开数据集Citeulike与Movie Lens上分别进行实验验证其有效性。实验结果表明推荐性能得到明显提升。