面对海量的信息,推荐系统是解决信息过载问题的有效途径之一。传统的协同过滤推荐算法主要是使用评分来进行预测和推荐,方法简单有效,但是协同过滤推荐算法的缺点也显而易见:第一,协同过滤简单的进行用户和项目之间的线性交互来预测评分,忽略了非线性关系,使得推荐准确性受一些限制;第二,协同过滤只使用评分信息来进行推荐,但是由于评分数据的稀疏,使其面临数据稀疏和冷启动问题。近年来深度学习发展越来越快,被广泛应用于图像识别、自然语言处理等多个领域,在个性化推荐领域也逐渐发挥重要作用。鉴于此,本文将神经网络和深度学习引入到推荐算法中,结合神经网络的非线性拟合和特征提取优势,提出混合推荐模型—AI-NeuMF+模型。本文起初介绍了将神经网络和推荐算法结合以及进行混合推荐研究的背景和意义,并阐述了构建模型所需要的基础理论与相关技术。其次基于何向南等人提出的神经协同过滤模型,在此基础上加入全局偏置和时间偏置,全局偏置考虑了独立于用户或者独立于物品的客观因素,时间偏置考虑了用户兴趣随时间的变化。加入偏置项的模型充分考虑评分交互以外的因素,提高预测的准确度。再次在使用评分进行推荐的基础上,融入属性信息和文本信息,得到混合推荐模型—AI-NeuMF+模型。本文对辅助信息使用深度学习提取特征,充分利用卷积神经网络在自然语言处理中的优势,同时对属性信息进行多层全连接训练,使得属性信息更深层反应用户或项目特征。最后根据模型原理,将AINeuMF+模型用于Movielens 1M数据集进行验证,与经典算法进行横向和纵向的对比。该算法一定程度上缓解了数据稀疏和冷启动问题,并且提高了推荐准确度。AI-NeuMF+模型结合了矩阵分解线性交互优势和多层感知机的非线性交互优势,同时加入辅助信息结合了协同过滤推荐和基于内容推荐算法的优势,并且在矩阵分解模块加入全局偏置和时间偏置,更进一步挖掘了用户和项目的静态特征和动态特征。另外将AI-NeuMF+模型用于电影真实数据集进行验证,该算法对于推荐性能有一定的提升,具有一定的理论意义和实践意义。