La popularidad de los terminales inteligentes y una variedad de aplicaciones han llevado al crecimiento explosivo de la información en Internet. Parte de la información es real, parte no lo es, y puede desviar el comportamiento de las personas. La información engañosa se refiere a información falsa creada por algún comercializador malicioso para generar pánico y buscar beneficios. En particular, cuando estallan eventos de emergencia, muchos usuarios pueden ser engañados por la información engañosa en Internet, lo que les lleva a comprar cosas que no se alinean con sus necesidades reales. Llamamos a este tipo de actividad humana "consumo de emergencia", que no solo no refleja los verdaderos intereses de los usuarios, sino que también causa el fenómeno de desviación de preferencias de los usuarios, y por lo tanto reduce la precisión del sistema de recomendación personal. Aunque los modelos de recomendación tradicionales han demostrado ser útiles para capturar los intereses generales de los usuarios a partir de los registros de interacción usuario-artículo, aprender a predecir el interés del usuario con precisión sigue siendo un problema desafiante debido a la incertidumbre inherente al comportamiento del usuario y la información limitada proporcionada por los registros de interacción usuario-artículo. Además, para abordar la información engañosa, dividimos la información del usuario en dos tipos, a saber, información de preferencia explícita (comentarios o calificaciones explícitas) e información del lado del usuario (que puede mostrar los verdaderos intereses de los usuarios y no se verá fácilmente afectada por la información engañosa), y luego creamos un modelo de recomendación social profunda que fusiona la información del lado del usuario llamado FSCR. El modelo FSCR es significativamente mejor que los modelos de referencia existentes en términos de predicción de calificaciones y robustez del sistema, especialmente frente a información engañosa; puede identificar eficazmente a los usuarios engañosos y completar bien la tarea de predicción de calificaciones.