随着互联网技术的不断发展,数据挖掘和人工智能在各个领域得到了广泛的应用。作为人工智能前沿应用之一,推荐系统在为用户提供个性化信息,协助处理信息过载问题上扮演重要的角色。在学术研究和工业应用领域一直是比较热门的话题。推荐系统的运用提升了平台运转的效率,不仅方便了用户的购物消费选择,同时也为平台带来了利润的提升。自推荐系统的概念提出以来,很多算法被提出并得到了实际的验证。目前来说,推荐系统算法主要分为两个方向,一个是基于内容的推荐算法,一个是协同过滤算法。两类算法在不同的应用场景下具有各自的优势。当前的研究习惯于将用户的评分数据当成无序的数据集,并没有考虑用户在个人层面消费经验层次的增长。事实上,用户在各自消费活动中,依据个人学习能力的不同,会不断的积累消费经验。所以,用户的消费历史记录不能被当成无序数据处理,应当从中挖掘用户经验层次演化的过程。另一方面,从个人层面来说,用户在购买、评价过程中,或多或少会受到从众消费心理的影响。但是,用户受影响程度的大小取决于用户本身所处的经验层次。本文尝试从用户个人层面,挖掘用户经验层次演化的过程,同时,融合从众心理因素构建一套合理的评分模型。另外,我们还进一步探究了个人经验层次和从众心理的关系,研究发现,经验层次越高的用户受到从众心理的影响越小。通过研究不同经验层次评分的分布情况,我们可以明显的发现不同经验层次在商品评分上的差异。用户在购买过程中,需要比对不同的商品信息进行挑选。对用户影响最大、最直接的信息就是商品的价格信息和物品图片信息。首先,本文消除了不同商品类别价格差异构建了一套描述商品价格层次的模型,同时,通过矩阵运算,构建了用户对商品的价格偏好特征。可视化特征方面,我们使用变分自编码器提取商品图片的特征向量,通过嵌入层运算降低了图片特征的维度。紧接着,我们将用户的价格偏好特征和可视化特征融合到标准推荐系统中去,构建了一套基于个人购买力水平和可视化特征的评分模型。另一方面,我们将价格因子特征和可视化图片特征加入到点击预测模型中,丰富了预测模型的特征。实验表明,我们的想法能够有效的提升模型预测的准确性,取得了较为理想的效果。进一步,我们探究了用户个人购买力和购买决策的关系,研究发现购买力高的用户更愿意购买超出自己购买力水平的商品,与此相反,低购买力用户购物决策相对理性一些。我们通过真实的亚马逊数据集验证了我们的模型,实验表明用户经验层次是一个不断演化的过程,和从众心理一起共同影响用户的消费评分过程。另外,个人购买力和可视化特征都能直接影响到用户的评分决策,在这两个重要因素的基础上构建合理的模型能够有效的提升推荐系统的性能。