当前推荐算法中数据种类丰富且表示复杂,传统的推荐算法中使用的数据分析模型和方法,对精度提升效果不理想。缺乏统一的框架对复杂数据进行建模,即便是对同一类数据,数据中蕴含的信息也无法进行分类建模。因此针对以上问题,本文提出对信息进行分类,刻画数据中蕴含的各种信息,将数据中的有效信息挖掘出来,对信息进行相应的归类和建模。本文将用户和项目的交互数据蕴含的信息按照是否可以线性获取分为显式反馈信息和隐式反馈信息两种类别,分别按照对应的挖掘方法进行建模。通过对反馈信息的分类构建用以挖掘不同类型信息的模型,进行统一建模表达,有助于提升模型的通用性;而对于不同类型的信息采用有针对性的数据挖掘方法,也有助于优化提升模型的精度。本文的主要工作包括:1、本文首先讨论了在评分推荐算法中显式反馈信息和隐式反馈信息各自的应用场景和优缺点,并介绍了国内外对显式反馈信息和隐式反馈信息的研究现状以及存在的需要进一步提升的问题。接着介绍了传统推荐算法中获取显式反馈信息的协同过滤算法及其分类,以及挖掘隐式反馈信息的深度学习技术及其应用。最后针对当前评分推荐算法存在的一些问题,提出了将显式反馈信息和隐式反馈信息进行融合,弥补两种反馈信息的不足,提出了基于融合信息的评分推荐算法和基于自注意力机制的融合信息评分推荐算法。2、现有的推荐系统中数据量大且种类多,对于数据的表示复杂,缺少统一的框架对数据进行规范的分类。对于同一类数据中蕴含的不同类型的信息,采用不同的有针对性的数据挖掘方法,有助于推荐精度的提升。针对上述问题,本研究提出了一种基于融合信息的评分推荐算法（HGAR）,其核心思想是探索交互信息的显式和隐式反馈,以预测用户的评分。将用户项目交互数据蕴含的信息按照是否可以线性获取分为显式反馈信息和隐式反馈信息,根据不同的数据建模目标采用不同的数据挖掘策略。因此,本研究使用奇异值分解模型来获取显式反馈信息,通过多层感知机获取隐式反馈信息,并融合了两部分信息。根据在两个真实的Movie Lens数据集上得出的实验结果,与基于协同过滤和深度学习方法等不同的推荐模型相比,HGAR显著提高了推荐精度。3、HGAR算法很好地解决了现在推荐系统中存在的数据表示复杂、缺乏统一框架对数据分类建模、推荐精度低等问题,但一些有用的潜在交互数据没有被观察到,可能会造成丢失以及对不同类型的信息挖掘不充分等问题。为了解决这些问题,本研究在HGAR算法的基础上,提出了基于自注意力机制的融合信息评分推荐算法（MGSA）,将MGSA分为三类信息:显式反馈信息、隐式反馈信息和完全信息。显式反馈信息通过用户对项目的评分等直接交互的显式反馈信息获取。隐式反馈信息通过自注意力机制分别学习用户和项目的特征表示,再通过多层神经网络在大量特征之间捕获高阶的交互,充分挖掘隐式反馈信息。完全信息不划分显、隐式反馈信息,收集用户与项目交互时的所有数据,通过自注意力机制获取交互行为的不同权重,起到补充信息的作用。实验表明,在两个真实的数据集上,推荐精度均取得了较好的提升。对不同类型信息和不同自注意力机制的消融实验,进一步说明了每个模块的有效性和可解释性。此外,算法的时间效率和复杂度分析结果同样表明,该算法能获得更好的性能。