As much as the diverse and rich offer on e-commerce websites helps the users find what they need at one market place, the online catalogs are sometimes too overwhelming. Recommender systems play an important role in e-commerce websites as they improve the customer journey by helping the users find what they want at the right moment. These recommendations can be based on users’ characteristics, demographics, purchase or session history.In this thesis we focus on identifying complementary relationship between products in the case of the largest e-commerce company in the Netherlands. Complementary products are products that go well together, products that might be a necessity to the chosen product or simply a nice addition to it. At the company, there is big potential as complementary products increase the average purchase value and they exist for less than 20% of the whole catalog.We propose a content-based recommender system for detecting complemen- tary products, using a supervised deep learning approach that relies on Siamese Neural Network (SNN).The purpose of this thesis is three-fold; Firstly, the main goal is to create a SNN model that will be able to predict complementary products for any given product based on the content. For this purpose, we implement and compare two different models: Siamese Convolutional Neu- ral Network and Siamese Long Short-Term Memory (LSTM) Recurrent Neural Network. We feed these neural networks with pairs of products taken from the company, which are either complementary or non-complementary. Secondly, the basic assumption of our approach is that most of the important features for a product are included in its title, but we conduct experiments including the product description and brand as well. Lastly, we propose an extension of the SNN approach to handle millions of products in a matter of seconds.∼As a result from the experiments, we conclude that Siamese LSTM can predict complementary products with highest accuracy of 85%. Our assumption that the title is the most valuable attribute was confirmed. In addition, trans- forming our solution to a K-nearest-neighbour problem in order to optimize it for millions of products gave promising results. / Så mycket som det mångfaldiga och rika utbudet på e-handelswebbplatser hjälper användarna att hitta det de behöver på en marknadsplats, är online- katalogerna ibland för överväldigande. Rekommendationssystem en viktig roll på e-handelswebbplatser eftersom de förbättrar kundupplevelsen genom att hjälpa användarna att hitta vad de vill ha i rätt ögonblick. Dessa rekommen- dationer kan baseras på användarens egenskaper, demografi, inköps- eller ses- sionshistorik.I denna avhandling fokuserar vi på att identifiera komplementära förhållanden mellan produkter för det största e-handelsföretaget i Nederländerna. Komplet- terande produkter är produkter passar väl ihop, produkter som kan vara en nödvändighet för den valda produkten eller helt enkelt ett trevligt tillskott till den. På företaget finns det stor potential eftersom kompletterande produkter ökar det genomsnittliga inköpsvärdet och de tillhandahålls för mindre än 20% av hela katalogen.Vi föreslår ett innehållsbaserat rekommendationssystem för att upptäcka kom- pletterande produkter, med en övervakad strategi för inlärning som bygger på Siamese Neural Network (SNN). Syftet med denna avhandling är i tre steg; För det första är huvudmålet att skapa en SNN-modell som kan förutsäga komplet- terande produkter för en given produkt baserat på innehållet. För detta ändamål implementerar och jämför vi två olika modeller: Siamese Convolutional Neu- ral Network och Siamese Long Short-Term Memory (LSTM) Recurrent Neural Network. Vi matar in data i dessa neurala nätverk med par produkter hämta- de från företaget, som antingen är komplementära eller icke-komplementära. Det andra grundläggande antagandet av vår metod att de flesta av de viktiga funktionerna för en produkt ingår i dess titel, men vi genomför också expe- riment inklusive produktbeskrivningen och varumärket. Slutligen föreslår vi en utvidgning av SNN-metoden för att hantera miljoner produkter på några sekunder.∼Som ett resultat av eperimenten drar vi slutsatsen att Siamese LSTM kan för- utsäga komplementära produkter med högsta noggrannhet på 85%. Vårt antagande att titeln är det mest värdefulla attributet bekräftades. Därtill är om- vandling av vår lösning till ett K-närmaste grannproblem för att optimera den för miljontals produkter gav lovande resultat.