随着网络和信息技术的飞速发展,人们已经身处于一个信息爆炸的时代。一方面人们感受到了科技发展所带来的前所未有的方便与便捷,另一方面也使得信息过载成为互联网时代的一大挑战。信息资源的急剧增加,使得用户想在纷繁复杂的网络资源中找到自己所需的内容变得十分困难。个性化推荐可以有效地缓解上述所存在的“信息过载”状况,让用户得到符合自身偏好的服务,以提升用户体验,因而具有重要的研究价值。近年来,越来越多的研究者将深度学习技术应用于基于隐式反馈的协同过滤推荐领域。然而,传统的深度学习模型通常利用记忆能力有限的隐藏状态或权重来充当记忆功能,无法存储长期信息,因而难以执行记忆操作。例如,将用户的所有历史交互记录嵌入到单个隐藏状态向量中,这将无法捕获单个用户历史交互记录与用户偏好之间的相关性。记忆网络能够存储长期信息,并能执行记忆操作,因此我们考虑设计记忆网络来充当记忆功能。此外,传统的深度学习模型一般都是直接刻画用户和项目,而忽略了用户邻域和项目邻域中含有的协同信息的重要性。用户邻域指的是访问过同一个项目的所有用户组成的用户集合,同一个用户邻域中的用户们互为邻居;同理,项目邻域是指同一个用户访问过的所有项目构成的项目集合,同一个项目邻域中的项目们互为邻居。我们猜想邻域中含有的协同信息能够在一定程度上提升推荐的性能。为此,本文基于记忆网络展开了对个性化推荐方法的研究。通过设计记忆网络作为记忆功能,同时考虑邻域之间的协同信息,来提高推荐的准确性。本文主要内容如下:（1）本文提出了一种基于项目邻域的协同记忆网络模型。该模型首先设计了记忆网络并结合注意力机制构造出项目邻域组件,以此来存储项目的长期信息。接着通过项目邻域记忆网络来捕获目标项目与其邻居之间的关系,经过多层项目邻域组件的迭代处理,达到对高阶的项目邻域信息的长期记忆。最后联合用户和项目记忆与项目邻域信息来编码复杂的用户-项目关系,并得到预测分数。在三个真实数据集上,本文通过与最先进的协同过滤方法以及基于深度学习的模型进行对照,验证了该模型在HR@5、HR@10、NDCG@5和NDCG@10等评测指标上的优越性。（2）本文以（1）中提出的模型为基础,进一步提出了邻域注意协同记忆网络模型。为了学习用户与其用户邻域中邻居之间潜在的相似性,该模型又设计了用户邻域组件,用于存储用户的长期信息。接着通过关联寻址方案来编码目标用户与其邻居之间的关系,再堆叠多层用户邻域记忆网络得到更深层次的结构,进一步挖掘更高阶的用户邻域信息。最后输出模块通过融合用户和项目记忆与用户和项目邻域信息得到排序分数。实验结果表明相比于最先进的基准方法以及（1）中提出的模型,本模型有着一定的性能提升,验证了模型的有效性。此外,本文还分析了该模型的参数敏感性,并通过消融实验探究了单个邻域记忆网络组件对模型的影响。