随着在线信息量的快速增加,个性化推荐已逐渐成为克服信息过载的有效策略。尽管现有的推荐系统已经非常成功并且产生了不错的推荐,但是它们仍然面临诸如稀疏性问题,可解释性差以及在用户刚刚访问的几个项目中捕获短期用户兴趣困难的挑战。近几年,深度神经网络已经在学术界和工业界引起了极大的关注,并且广泛的应用在自然语言处理、计算机视觉等领域。同时,已经有研究表明将深度学习应用到推荐中可以提高推荐质量。在众多的基于深度学习的推荐中,很少有文献利用循环神经网络来建模序列数据,从而提高推荐质量。因此本文对基于循环神经网络的推荐系统进行分析和研究,并提出了新的模型,具体如下:一、许多电子商务网站中存在用户编写的大量评论信息,大部分推荐系统虽然利用了评论信息,但仅从单词级别而不是评论级别来评估评论的重要性。如果只考虑评论中的重要单词,而忽略了真正有用的评论,则会降低推荐模型的性能。基于此,文中提出了一种基于双层注意力机制的联合深度推荐模型(DLALSTM)。该模型首先利用双向长短期记忆网络(BiLSTM)分别对用户和项目评论进行词以及评论级别联合建模,并通过两层注意力机制聚合为评论表示和用户/项目表示,然后把从评论中学习的用户和项目的潜在表示融入由评分矩阵得到的用户偏好和项目特征,实现评分预测。采用文中模型在Yelp和亚马逊的不同领域数据集上进行实验评估,并与常用的推荐方法进行比较,发现文中提出的模型性能超过目前常用的推荐方法,同时该模型能够缓解数据稀疏问题,并具有较好的可解释性。二、用户和项目交互历史的时间顺序是许多推荐系统中的关键特征,因为用户将要交互的项目可能很大程度上取决于用户刚刚访问的那些项目。然而,随着用户和项目数量的大量增加,序列推荐系统仍然面临着几个具有挑战性的问题:首先从稀疏的隐式反馈中建模长期用户兴趣的困难;其次在用户刚刚访问的几个项目中捕获短期用户兴趣的困难。为了应对这些挑战,本文提出了一个基于循环神经网络的序列推荐模型LSTMASR,从而来捕获用户的长期和短期兴趣。该模型由循环网络注意力模块和项目-项目关系模块组成,与矩阵分解模型集成并通过贝叶斯个性化排序(BPR)进行优化。具体来说,一方面模型通过LSTM的循环结构序列建模用户所交互的历史项目,然后在LSTM的输出上应用注意力机制提取用户的短期兴趣偏好,应用注意力机制可以有效地为用户交互的历史项目分配适当的权重,从而提取对用户来说重要的项目信息。另一方面,模型建模用户交互的项目与目标项目的关系,从而提供了重要的辅助信息来预测用户的序列行为,因为用户可能交互之前密切相关的项目。最后本文提出的序列推荐方法在三个不同领域数据集上的综合实验分析结果表明,该推荐方法的性能优于目前常用的其他序列推荐方法。