随着通讯技术与互联网技术的不断发展,人们的日常生活与网络已经变得越来越密不可分。人们每天会通过互联网获取海量的信息,与大量的平台或个人进行交互。因此信息量也会随之暴涨,推荐系统则变得尤为重要。他会以快速高效的方式把信息推荐给所需要的用户。推荐系统自诞生以来也经历了数十年的飞速发展,随着近年来深度学习技术的火热,有很多人成功的将深度学习与推荐系统结合起来,使得推荐系统可以承载更大量级的用户与物品之间的匹配任务。如今的人们在与互联网交互中越来越在意个人的使用体验。正如一句名言所说“一千个读者就会有一千个哈姆雷特”,这反应出现实生活中的人们是各不相同、千人千面的。这便需要推荐系统在为每个用户服务时避免“一视同仁”,而要更加在意用户的个性化,面对不同人时针对其兴趣偏好有对应的推荐。然而目前大多数的推荐算法并没有充分考虑用户可能存在的多方面兴趣,从而为其精准推荐。针对这个普遍存在而又关键的问题本文主要有以下贡献:1.针对如何发掘用户多方面的潜在兴趣,本文提出了一个基于协同过滤的多分支子兴趣匹配网络。其中每个用户由多个子兴趣向量以及一个一般兴趣向量表示,并且一个项目通过不同的分支与用户的多个兴趣向量进行匹配。本文提出的框架简单而灵活,每个分支都可以通过简单的函数或神经网络来实现匹配模块。子兴趣匹配分支首先通过最大化算子聚合,然后结合一般兴趣匹配分支来估计用户与项目的匹配程度。经过大量实验表明,与忽略用户多方面兴趣建模的模型相比,本文所提出的方法可以实现更好的top-N推荐,并且更善于充分捕捉用户的多方面兴趣。2.为了使物品与用户兴趣更加匹配,本文还针对推荐系统的排序阶段进行优化。在本文提出的框架基础上,对得到的推荐结果进行一定的微调从而实现重排序。通过用户历史行为得出其兴趣分布,再将其与推荐物品的属性分布进一步配对。实验结果表明,本文所提出的方法可以既保证推荐结果的准确性又针对每个用户的不同兴趣偏好进行了最适配的个性化推荐。