用户兴趣爱好建模是推荐系统中的研究热点,它要求从用户的购买记录中准确识别用户的兴趣爱好并精确提取相关兴趣特征。用户兴趣爱好建模的结果直接决定推荐系统后续的决策,因此,如何从用户交互数据中提取出用户兴趣爱好成为一个十分有价值的工作。其中,用户行为序列和评论信息是用户交互记录中的两种重要数据信息。用户兴趣爱好建模根据预测的目标不同可以分为两种。一种是评分预测,预测用户对未购买商品的评分。评分是精确的数据,因此这是一种显示的反馈预测问题。目前大多数方法使用评论信息来增强用户的兴趣表达。另一种是点击率预测,预测用户对广告的点击概率。这是一种隐式的反馈预测问题。目前大多数方法通过对户行为序列信息进行建模来提取用户爱好特征。本文在对基础技术学习的基础上,着重研究并提出评论信息的提取方法和序列化信息的建模方法,主要研究内容如下:在评论信息提取过程中,目前方法仅仅利用两个分开的注意力机制来分别判断用户和商品建模过程中每条评论的有效性。忽视了每条评论的有效性是动态的,并且取决于目标用户和商品对的事实,这可能造成无法有效的对用户爱好和商品特征进行建模。本文利用评论层级的动态主题协同注意力机制来协同的为用户和商品中的每条评论赋予相应的权重分数。同时,由于评论数据和评分数据的稀疏性,本文采用由商品的类别特征和用户共同购买信息组成的异质信息网络来缓解数据稀疏造成的冷启动问题。实验结果表明,与基线方法相比,该方法在准确率上提高2%到7%,并且在稀疏的数据集上也有很好的效果。针对当前点击率预测方法忽视用户兴趣爱好偏移及用户短期爱好时效性等问题,本文提出一种联合多重通道记忆网络和自注意力机制的点击率预测方法。一方面,自注意力机制用来挖掘用户短期兴趣爱好,它按照时间间隔把整个点击序列划分为不同的session,然后利用用户最近一次session内点击序列来表示用户短期爱好。另一方面,多重通道的记忆网络用来挖掘用户长期兴趣爱好及兴趣爱好偏移情况。其中,多重通道用来获取用户对同种类别物品兴趣爱好的偏移情况;记忆网络用来挖掘用户长期的兴趣爱好。相比较传统的基于RNN的序列模型,记忆网络不仅具有更好的记忆存储能力,而且具有更高的可解释性。最终通过实验表明,本文的模型在准确率上与基础方法相比较有所提高。