近年來，深度神經(jīng)網(wǎng)絡(luò)（DeepNeural Networks，DNNs）在計(jì)算機(jī)視覺、自然語言處理等多個(gè)領(lǐng)域獲得巨大成功，而基于DNNs的個(gè)性化推薦研究工作相對(duì)較少。近期一些相關(guān)工作將DNNs應(yīng)用于推薦系統(tǒng)中，但是其主要思想是利用DNNs對(duì)物品的文本描述、圖像的視覺特征等輔助信息進(jìn)行特征抽取后將其融入推薦模型中。而對(duì)于推薦系統(tǒng)中的關(guān)鍵問題——協(xié)同過濾（Collaborative Filtering，CF）——仍尋求于傳統(tǒng)的矩陣分解（Matrix Factorization，MF）模型，簡單地使用內(nèi)積函數(shù)從用戶-物品交互數(shù)據(jù)中建模用戶和物品或物品和物品間的線性關(guān)系。而用戶-物品交互數(shù)據(jù)是高度非線性的，以線性模型試圖擬合這些數(shù)據(jù)既不合理也極度不充分。鑒于DNNs強(qiáng)大的非線性建模能力，本文嘗試對(duì)基于DNNs實(shí)現(xiàn)個(gè)性化推薦進(jìn)行探索并試圖解決CF這個(gè)關(guān)鍵問題，利用DNNs建模用戶和物品以及物品和物品之間復(fù)雜的非線性交互關(guān)系。本文工作圍繞推薦系統(tǒng)兩個(gè)經(jīng)典任務(wù)展開：評(píng)分預(yù)測和Top-N物品推薦。（1）基于MF的推薦模型在解決面向顯式反饋的評(píng)分預(yù)測任務(wù)因其有效性而受到業(yè)界關(guān)注，但其表現(xiàn)會(huì)因簡單地使用內(nèi)積建模用戶-物品交互關(guān)系受到限制。針對(duì)MF模型的缺陷，本文基于深層通用CF框架NCF（Neural network-based Collaborative Filtering）建模用戶和物品間的復(fù)雜交互解決評(píng)分預(yù)測任務(wù)。實(shí)驗(yàn)結(jié)果表明，DNNs能夠有效地建模出用戶和物品間的非線性交互關(guān)系，同時(shí)也驗(yàn)證了NCF框架在評(píng)分預(yù)測任務(wù)上的通用性。（2）Item-based CF模型因其可解釋性和高效性被廣泛用于實(shí)際推薦系統(tǒng)中，其關(guān)鍵在于物品相似度的估算。早期相關(guān)方法從統(tǒng)計(jì)學(xué)角度計(jì)算物品相似性因缺乏物品特征學(xué)習(xí)而致使效果不佳。盡管后來涌現(xiàn)出基于機(jī)器學(xué)習(xí)的方法通過優(yōu)化目標(biāo)函數(shù)學(xué)習(xí)物品間的相似度，但其依舊使用線性核函數(shù)建模物品間的低階交互而導(dǎo)致其推薦效果受限。受NCF框架啟發(fā)，本文為Item-based CF方法提供了一個(gè)深度學(xué)習(xí)視角，建模物品之間的高階非線性交互關(guān)系。同時(shí)，引入Attention機(jī)制區(qū)分用戶不同的歷史交互物品對(duì)模型最終預(yù)測的貢獻(xiàn)程度。實(shí)驗(yàn)結(jié)果表明，本文提出的深層Item-based協(xié)同過濾模型能夠突破現(xiàn)有Item-based模型的瓶頸，有效地建模出物品間的高階非線性交互，實(shí)現(xiàn)面向隱式反饋的Top-N物品推薦。