推荐系统是缓解信息过载问题的关键技术之一,得到了工业界和学术界的广泛研究,已应用于人们生活的衣食住行娱各个方面。然而,现有的推荐算法仍然面临着以下两个难题。一方面,推荐数据的特征数量庞大、种类繁多,已有的特征提取方法往往只考虑固定角度的注意力机制,不曾对特征性质做进一步的挖掘。另一方面,现有的图神经网络算法虽然可以建模数据中复杂的用户和物品关系,但很少考虑用户和物品本身的特征,没有结合特征提取方法设计图卷积层。本文针对上述问题,从注意力机制和特征交互两个角度出发,研究有效的特征提取方法,提出两种推荐算法模型,主要工作和创新点如下:针对现有特征提取方法在特征性质挖掘方面的缺陷以及注意力机制使用角度单一的问题,本文提出一种结合卷积注意力机制和双线性池化的推荐算法（Convolutional Attention and Bilinear Pooling Network,CABPNet）。CABPNet 主要由多角度注意力机制模块和特征交互模块组成。多角度注意力机制模块使用卷积神经网络和重连层获取特征级别、元素级别和全局级别的注意力权重,有效解决了注意力机制使用角度单一的问题;特征交互模块从同特征和异特征两个角度建模特征交互,使用双线性池化获取自我交互特征,弥补了算法在特征性质挖掘方面的缺陷。在三个广泛使用的Amazon-books、Movielens-1m和Moviedata数据集上,CABPNet模型较当前最优的传统深度学习模型在NDCG@20上分别取得了 1.65%、2.1 7%和2.39%的进步,在Recall@20上分别提升了1.27%、2.26%和1.98%,表明了 CABPNet模型的有效性。针对现有图神经网络算法没有使用用户和物品特征以及没有建模有效特征提取方法的问题,本文将用户和物品特征加入到“用户-物品”交互图中,构建“用户-物品-特征”异构图,并提出融合多节点信息的图神经网络推荐算法（User-Item-Feature Graph neural network,UIFGraph）。UIFGraph中的图卷积操作由自注意力机制和特征交互构成,能有效完成对“用户/物品-特征”子图和“用户-物品”子图的特征提取。在Amazon-books、Movielens-1m 和 Moviedata 数据集上,UIFGraph 模型较当前最优的图神经网络模型在NDCG@20上分别取得了 2.426%、2.278%和1.997%的进步,在Recall@20上分别提升了 2.303%、1.331%和1.725%,表明了 UIFGraph模型的有效性。