对深度学习技术和推荐系统进行研究，把深度学习技术应用到推荐系统当中，解决推荐系统中存在数据的稀疏性，用户的兴趣难被挖掘。本文的研究集中于以下几个方面：
1）对深度学习和推荐系统相关理论进行了研究，主要是对推荐系统传统算法、深度学习开发框架、Django 开发框架的介绍。
2）为了解决推荐系统存在数据的稀疏性和商品信息过载问题，本文对DeepFM（DNN、FM）和 NeuMF(MLP、GMF)模型的的特点进行研究。两个模型都是对隐式反馈信息推荐，用 one-hot 编码方式和 Embedding 层编码数据进行嵌入模型，对模型进行训练和结果进行对比。模型中的 DeepFM 训练结果损失函数值最低和 AUC 最高；NeuMF 推荐模型得到的损失函数都比两个单独模型低和HR@20 最高。
3）对系统进行需求分析，用 Django 框架开发商品个性化推荐系统，系统的推荐方法是用训练好的推荐模型 DeepFM 和 NeuMF，商品个性化推荐系系统实现了热门商品推荐，和选择不同的推荐模型进行商品推荐。管理系统对系统后台进行管理。跟其他推荐结果比较，再次验证 DeepFM 和 NeuMF 模型比其他模型好，系统推荐的商品更接近用户的兴趣。
参考文献（略）
