传统协同过滤中的矩阵分解方法（MF）使用点积运算建模用户和物品之间的交互,难以学习到非线性交互关系。现有的神经协同过滤模型虽然在结合MF核心思想—哈达玛积算子的基础之上采取不同方式结合神经网络方法,但依然不能完全在同一过程中结合两者的优势,限制了模型的表达能力。查阅大量文献之后,本文在上述不足的前提下,主要工作在于推荐系统中的核心问题—协同过滤,聚焦在矩阵分解方法基础之上,探索与深度学习的不同融合方式,进一步改善模型表现,提升Top-N推荐列表的准确性:首先介绍了GMF模型的基本思想和流程,针对该方法中存在的缺陷,通过引入用户-物品对线性交叉表示信息提出DEMF模型,模型采用哈达玛积学习嵌入空间同维度之间的关系,通过线性特征提取学习不同维度之间的交叉信息,强化了模型学习低秩线性关系的能力,之后整合两部分线性信息送入MLP结构学习一定的非线性交互关系,可以获得更加复杂的交互函数;其次进一步融合MLP方法的非线性优势,在NCF框架下,提出一种创新的端到端的基于神经协同过滤的推荐方法,同时提出Deep+Deep结构实现的融合模型NNEMF,其结合了不同嵌入维度之间的交叉信息进行建模。该模型左半部分采取DEMF组件,其聚焦于低秩线性交互关系的学习,右半部分联合MLP组件,其充分学习了非线性的交互关系,之后结合两个模型的预测因子向量进行加权,进一步增强模型彼此互补的能力。最终丰富了NCF框架下模型的结构种类,并在不同真实数据集上与现有方法进行了对比验证,表现超越现有的方法,提升了推荐模型的性能,提升了用户体验。