【摘要】本研究聚焦于优化商品推荐系统中深度学习模型的性能，引入了一种针对循环神经网络（ ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ，ＲＮＮ）的优化思路。 首先，研究了商品推荐系统的总体框架，包括数据收集与预处理、特征提取与表示、模型设计与训练以及推荐结果生成与排名等部分。 其次，对 ＲＮＮ 的基本原理进行了深入探讨，并引入了 Ｌ２ 正则化方法进行模型优化。 最后，利用 Ｒｅｔａｉｌｒｏｃｋｅｔ 数据集对所研究的模型进行了实验验证，评估了模型在商品推荐任务上的性能指标。 实验结果表明，该优化方法在准确率、召回率和 Ｆ１ 值等指标上均优于传统 ＲＮＮ 模型，有效提升了推荐系统的性能。