随着信息技术的高速发展,我们在享受互联网带来的便利时,也需要应对信息使用效率低的难题。面对海量的信息,性能良好的个性化推荐算法可以让用户快速找到自己感兴趣的内容,为企业带来巨大的经济效益。推荐系统数据集是基于用户的点击行为所收集的数据。在点击数据的采集过程中,由于误触、被夸张的标题或者图片吸引产生了大量的“假数据”,限制了模型的推荐效果。实际应用中能够采集到的用户行为数据是有限的,基于协同过滤的推荐算法难以从少量的训练数据中捕获用户和物品的高阶关系。针对这些问题,本文研究如何剔除“假数据”,如何从少量的训练数据中充分挖掘用户和物品之间的高阶关系,设计针对训练数据少的协同过滤推荐算法。主要研究内容和成果如下:针对如何消除推荐系统存在的“假数据”问题,提出了物品对用户的“吸引力”这一概念,并设计了一套吸引力数据采集方案。将吸引力定义为用户点击物品时注视点落在物品区域的分布比例,用户在点击物品时,计算物品对用户的吸引力,根据吸引力大小筛选掉“虚假”的点击数据。在设计的吸引力数据采集方案中,根据输入的用户视频,逐帧提取脸部、眼部图像并输入给注视点估计模型iTracker,得到估计的注视点。实验结果表明,在没有校准的情况下,注视点的估计误差稳定在1.8cm,在实际场景下采集吸引力数据具备可行性。针对如何从少量的训练数据中充分学习用户和物品之间的高阶关系问题,提出了基于注意力机制的超图卷积协同过滤推荐模型（AHGCF）。AHGCF模型利用超图结构建模用户和物品的高阶关系,使用注意力超图卷积网络更新节点的嵌入,引入Lambda Rank算法对推荐列表的顺序进行监督。对比分析了AHGCF模型与另外四个基于图神经网络协同过滤推荐模型的实验结果,相比基准模型中表现最好的LightGCN模型,AHGCF模型的召回率和精确率提高了9.21%和4.16%。设计了多组对比实验,探究各个模块和吸引力数据对AHGCF模型的性能影响。实验结果表明,模型在单个卷积层下即可达到良好的表现,在排序监督模块的作用下,AHGCF模型的归一化折损累计增益（ndcg）指标提高了5.29%。模拟产生吸引力数据,将吸引力数据以权重的形式引入到AHGCF模型,和仅使用点击数据相比,模型在召回率上提高了5.18%,ndcg提高了2.18%,吸引力数据明显提高了模型的推荐效果。