随着互联网数据爆炸式的发展,人们获取信息的服务从无到有,从有到更好的习惯发生巨大改变,同时面对互联网日益繁杂的物品,变得眼花缭乱,无从决策。尤其当面对数据负载时,用户不知如何去表达或者无法描述事物的时候,能否根据以往的交互行为记录推荐出相关的物品,推荐系统可以帮助用户快速获取所需信息。在现实中,由于用户与项目的交互数据往往是稀疏的,这给推荐算法带来了一定的困难。推荐系统的核心是根据用户的历史行为偏好,物品属性或上下文信息,建模用户的信息,从而实现有效的推荐功能。传统推荐系统应用最广泛的算法是协同过滤,其利用用户与项目之间的交互行为产生推荐。基于协同过滤的推荐方法采用了浅层模型无法学习用户与项目的深层交互特征,所学的特征是线性关系。随着深度学习的到来,为传统推荐系统带来了新的机遇。一方面,深度学习将传统推荐系统学习关系由线性向非线性转换,能够获取用户和项目之间的非线性特征的表示;另一方面,深度学习能够从数据特征中自动学习,将不同数据映射到同一空间内,这大大解决了数据间融合问题,从而缓解推荐系统中的数据冷启动和稀疏问题。然而在深度模型中,生成较多无意义的神经因子,无法对推荐结果进行合理的解释,同时提取特征是自动学习过程,无法区分特征的重要性。因此,本文挖掘项目历史用户的信息,一定程度上有效缓解数据稀疏问题,并集成引入注意力机制网络,能够区分项目的不同用户的重要度。同时在历史用户的基础上,构建历史用户的行为序列,建模用户与项的序列信息,挖掘历史用户的长短期意图。序列推荐利用上下文信息,建模用户行为序列,使得推荐系统真正感知过去行为影响未来交互行为,为推荐结果提供一个可解释性。本文主要工作包括以下内容:1.本文首先介绍推荐系统的信息负载的背景知识和研究意义,充分调研了数据稀疏影响推荐结果性能以及深度学习生成的推荐结果无法解释这类问题的研究现状和解决方法,然后分析基于用户的协同过滤算法所面临的挑战和难点,并针对这些挑战给出了具体的研究方案。2.针对传统基于用户协同过滤推荐算法的不足和深度学习过程中依靠数据特征无法有效区分数据的重要性,提出基于历史用户相似性的协同过滤推荐算法。该算法关注历史用户与项目的交互关系的建模,并从历史用户交互数据中学习用户之间的相似矩阵,同时,引入注意力机制网络用以区分不同用户对项目的重要程度。3.传统推荐系统中很少考虑到时间对用户行为(或未来行为)具有重要影响,而时间会决定用户在长期或短期的意图。针对此问题,提出基于历史用户长短期意图的推荐算法。该算法在历史用户的基础上,引入时间序列挖掘历史用户长期或短期意图,有效学习用户与项目交互特征,最后融合两种特征共同学习用户与项目深层次的特征。