深度学习通过使用神经网络来建模复杂的用户-物品交互和内容，从而增强推荐系统，超越了像矩阵分解这样的传统方法。这些模型自动从大型数据集中学习模式，包括文本、图像或用户行为序列等非结构化数据。例如，深度学习模型可以同时处理用户点击历史、产品描述和图像来预测偏好，而旧方法可能将这些视为需要手动工程的单独特征。卷积神经网络 (CNN) 用于图像数据，循环神经网络 (RNNN) 用于序列行为，或基于 Transformer 的模型用于文本等架构通常组合在一起以创建捕获更丰富信号的混合系统。
一个关键应用是基于嵌入的推荐，其中用户和物品在共享空间中表示为密集向量。例如，YouTube 的推荐系统使用深度神经网络 (DNN) 将用户观看历史和视频元数据映射到嵌入中，然后用于查找相似的内容。另一个例子是使用自编码器的协同过滤，其中神经网络重建用户-物品交互矩阵以识别潜在因素。深度学习还可以更好地处理冷启动问题：在产品图像上训练的模型可以通过利用视觉相似性来推荐没有历史交互数据的新项目，这是传统协同过滤难以处理的。
然而，实现深度学习需要仔细设计。训练大型模型需要大量的计算资源，如果数据稀疏，则可能发生过拟合。像 dropout、批量归一化和正则化这样的技术至关重要。开发人员可以使用像 TensorFlow 或 PyTorch 这样的框架来构建这些系统，使用像 TensorFlow Recommenders (TFRS) 这样的库来简化集成。例如，电影推荐系统可以结合 CNN 来处理电影海报，使用 Transformer 来分析评论，并使用 DNN 来处理用户行为——所有这些都进行端到端训练。虽然深度学习提高了准确性，但必须在复杂性和延迟要求之间取得平衡，特别是对于实时推荐。测试像双塔模型（独立的用户/物品塔）这样的架构可以优化推理速度，而不会牺牲性能。