近年来,随着互联网中越来越多的数据能够被感知获取,包括图像、文本、标签、评分在内的多源异构数据蕴含着丰富的用户行为信息及个性化需求信息。但由于这些数据通常具备来源多样、分布不均、结构各异、多维度和规模巨大但有价值的信息相对稀疏等驳杂的特性,传统的推荐算法难以有效的统合利用这些多源异构数据,提取其中的有效信息。深度学习技术在近年来飞速发展,在多种任务中都取得了良好的成绩,在多源异构数据的处理方面有着极为突出优势,基于深度学习技术的推荐算法应运而生,并被应用于多个领域,如电子商务领域、位置服务领域等。卷积神经网络是深度学习中一个极为重要的研究方向,在图像处理和自然语言处理等领域都有极为突出的性能,可以准确的提取出文本和图像中的关键信息。近年来,卷积神经网络被成功应用于推荐算法中,并取得了良好的推荐效果,但整体而言,当前对基于卷积神经网络的推荐算法的研究仅处于起步阶段。一方面,卷积神经网络应用于推荐算法的时间尚短,还没有研究成果系统地验证影响卷积推荐模型的影响因素有哪些,推荐效果与影响因素的选择又有何关系;另一方面,深度学习有多种不同的技术,每个技术擅长的方向不同,可以将卷积神经网络与其它深度学习技术结合起来,共同构建推荐模型,弥补不同技术之间的不足之处,提高推荐算法的性能;最后,时间信息对用户和物品都影响巨大,一款良好的推荐算法,应该能够预测用户偏好和物品生命周期的变化趋势,使推荐算法具备长期有效性。但当前的卷积推荐算法在以上三个方面的研究都还远远不足,需要更加深入和更加广泛的研究,才能取得更好的成绩。本文从推荐算法的发展现状入手,我们系统的验证了一些影响因素对卷积推荐算法性能的影响,如词向量维度、词频等;同时根据当前基于卷积神经网络的推荐算法对用户偏好和物品生命周期的动态趋势预测方面的不足,设计时间模型,构建动态卷积推荐模型,提升推荐算法的性能,并使其长期有效。最终我们使用由亚马逊公开的真实数据集进行实验,实验中我们测试了各个影响因素对推荐效果的影响,得到一个普遍适用的规律,方面后面实验的进行,并验证出了添加了时间模型的动态卷积推荐网络要比传统的推荐算法与静态卷积推荐算法性能优秀的结果。