用户到项目评分数据的稀疏性是推荐系统质量恶化的主要因素之一。为了处理稀疏性问题,一些推荐技术考虑辅助信息来提高评分预测精度。当评分数据特别稀疏时,基于文档建模的方法通过利用文本数据(例如评论,摘要或概要)来提高准确性。然而,由于词袋模型的固有限制,它们在有效利用文档的上下文信息方面仍然存在困难,只能对文档浅层理解。ConvMF算法模型可以捕获文档的上下文信息,并进一步提高评分预测精度。但是,ConvMF中的卷积神经网络,在对文本进行分析时,忽略了特征的位置信息,并丢失了同一特征的信息强度。为了解决上述模型中出现的问题,本文对卷积网络进行了深入研究,提出了一种新颖的基于上下文的深度混合推荐算法(ConvMF with Segmeng-Max Pooling,ConvMF-S)。本文内容主要分为以下几个部分:首先,本文介绍了推荐系统目前的研究现状,对推荐系统中的各种算法进行了全面的介绍特别是个性化推荐系统中最经典的协同过滤技术。在充分了解了各种算法的原理后,深入分析了这些算法的优点和缺点。然后介绍了深度学习在推荐系统的应用。其次,本文对卷积神经网络在自然语言处理中的应用进行了深入研究,将已有的ConvMF模型进行了改进,提出了一种新的模型ConvMF-S。再次,本文对ConvMF-S模型的优化进行了深入研究。首先,通过预先训练词向量模型,对CNN的嵌入层进行初始化,然后,通过坐标下降算法和RMSProp对模型进行进一步的优化。最后,本文通过相关实验对改进的模型算法进行验证,并从多个方面与其他算法进行比较,对实验结果进行分析评估。