随着新兴电影产业的发展,全球的电影市场保持着稳定增长的基本态势,互联网上也拥有无比浩瀚的电影资源,推荐系统已经成为了人们在快速查找感兴趣的电影的方式。近年来,深度学习在图像识别,自然语言处理等领域得到了广泛的应用,同时,最近的一些研究也表明深度学习在推荐系统上的可靠性。在这样的背景下,对个性化推荐系统的基础理论进行研究,并利用深度学习在推荐领域的相关技术,提出了一种基于深度神经网络的个性化推荐算法,称为深度神经矩阵分解(Deep Neural Matrix Factorization)。首先,深度神经矩阵模型使用了一种新的方式提取用户和项目的潜在向量。定义了记忆组件和归纳组件对用户和项目的输入向量进行特征提取,隐射到新的稠密空间。记忆组件实质是浅层的线性单元,归纳组件实则是深层的非线性神经网络。在实验中证明,记忆组件和归纳组件均对模型性能有显著的效果。其次,采用多方式对不同潜在向量进行训练。对于记忆组件产生的用户或者项目向量,称为记忆向量,采用广义矩阵分解模型,将用户和项目记忆向量逐元素相乘来描述用户和项目之间潜在交互特征,因这一过程都是进行线性变换,所以保存了记忆向量的有效记忆信息。对于归纳组件产生用户或项目向量,称为归纳向量,将用户和项目各自的特征连接起来,再使用标准多层感知机模型学习用户和项目潜在特征之间的相互作用。最后再融合两个模型采用联合训练方式对用户-项目的隐性反馈进行建模,完成推荐。最后,在MovieLens数据集上进行了广泛的实验,通过实验证明,提出的方法胜过目前最先进的推荐算法,还通过实验来评估改模型在不同实验环境下的表现。