随着深度学习在计算机视觉、物体识别、语音识别等等领域的突出表现,深度学习已经受到了广泛的关注并且逐步应用于其他领域。推荐系统是”大数据”时代一个非常高效的信息处理工具,在人们面对庞大冗余的信息时,不知道如何去搜索或者获取自己想要的信息时,推荐系统可以预测人们想要的信息并且展现在人们面前。基于深度学习的推荐系统模型能够更好的挖掘价值信息,进而提高推荐系统模型的推荐准确度和工作效率。但是,现今将深度学习技术应用到推荐系统中依然存在很多问题。本文中,我们提出了两种深度学习推荐模型来解决这些问题,分别是基于长短期兴趣点的图神经网络新闻推荐系统IGNR和基于混合深度矩阵分解推荐模型CDHMF。(1)对于IGNR模型,我们构造了一个异构的用户-新闻-主题图来建模用户-项目交互,从而减轻了用户-项目交互的稀疏性。然后,它应用图卷积网络来学习通过在图上传播嵌入而编码的具有高阶信息的用户和新闻嵌入。(2)对于CDHMF模型,我们不仅利用显式评级,而且还利用隐式反馈作为输入,以学习用户和项目的潜在特征空间,通过将RNN编码器从项目内容文本中提取的辅助因子向量集成到神经网络体系结构中,来优化项目的表示。在真实数据集上的实验结果表明,我们提出的两个模型在各自领域都明显优于最新方法。