近年來，深度神經網絡（DeepNeural Networks，DNNs）在計算機視覺、自然語言處理等多個領域獲得巨大成功，而基于DNNs的個性化推薦研究工作相對較少。近期一些相關工作將DNNs應用于推薦系統中，但是其主要思想是利用DNNs對物品的文本描述、圖像的視覺特征等輔助信息進行特征抽取后將其融入推薦模型中。而對于推薦系統中的關鍵問題——協同過濾（Collaborative Filtering，CF）——仍尋求于傳統的矩陣分解（Matrix Factorization，MF）模型，簡單地使用內積函數從用戶-物品交互數據中建模用戶和物品或物品和物品間的線性關系。而用戶-物品交互數據是高度非線性的，以線性模型試圖擬合這些數據既不合理也極度不充分。鑒于DNNs強大的非線性建模能力，本文嘗試對基于DNNs實現個性化推薦進行探索并試圖解決CF這個關鍵問題，利用DNNs建模用戶和物品以及物品和物品之間復雜的非線性交互關系。本文工作圍繞推薦系統兩個經典任務展開：評分預測和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分預測任務因其有效性而受到業界關注，但其表現會因簡單地使用內積建模用戶-物品交互關系受到限制。針對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雜交互解決評分預測任務。實驗結果表明，DNNs能夠有效地建模出用戶和物品間的非線性交互關系，同時也驗證了NCF框架在評分預測任務上的通用性。（2）Item-based CF模型因其可解釋性和高效性被廣泛用于實際推薦系統中，其關鍵在于物品相似度的估算。早期相關方法從統計學角度計算物品相似性因缺乏物品特征學習而致使效果不佳。盡管后來涌現出基于機器學習的方法通過優化目標函數學習物品間的相似度，但其依舊使用線性核函數建模物品間的低階交互而導致其推薦效果受限。受NCF框架啟發，本文為Item-based CF方法提供了一個深度學習視角，建模物品之間的高階非線性交互關系。同時，引入Attention機制區分用戶不同的歷史交互物品對模型最終預測的貢獻程度。實驗結果表明，本文提出的深層Item-based協同過濾模型能夠突破現有Item-based模型的瓶頸，有效地建模出物品間的高階非線性交互，實現面向隱式反饋的Top-N物品推薦。