在互联网迅猛发展的今天,信息过载的现象愈发严重,在这种情况下,信息的生产者和消费者都会受到不同程度的影响。一方面,信息的生产者难以确保他们的信息或产品能够被目标市场的消费者关注到;另一方面,消费者难以从海量的信息或产品中找到自己真正喜欢的目标。推荐系统的产生正是用于解决这一问题。协同过滤是应用最广泛的推荐算法,但是协同过滤系统只使用用户对项目的评分这种显式反馈数据,无法深度挖掘用户的细微偏好,而且由于评分数据非常稀疏,导致推荐准确率不高。针对这种情况,本文充分利用评分数据,提出了两种计算用户行为偏好的模型,分别计算用户对项目的整体偏好和局部偏好,构建了一个新的混合推荐模型,对用户进行项目推荐。首先,针对现有的基于隐式反馈推荐系统中,采用用户为交互的项目构建负样本导致模型引入训练噪声的情况,提出一种新的划分正负样本的方式,通过用户对项目的评分,将高于或等于评分中位数的高分项目记为正样本,反之则记为负样本,通过计算用户在正负样本集上对一个项目的偏好值与用户对所有项目的偏好值总和之比,得到用户对一个项目的整体偏好程度。其次,针对现有的推荐系统未能深入挖掘用户对一个项目的每个特征的偏好分配,提出利用注意力机制动态学习用户对其历史交互列表中每一个项目的每个特征的注意力分配,得到用户对特定项目的每一个特征的偏好程度,从而获得一种新的项目表征,并将这种新的项目表征作为用户的行为偏好,最终通过分别计算正负样本集上用户的偏好分布,求和平均后得到用户的局部偏好。最后,将用户的整体偏好和局部偏好通过一个控制因子结合起来,获得一种可以动态调节局部偏好和整体偏好的混合模型,即Att+IFGP模型。并针对该模型进行了模型性能检验,通过对比实验发现,Att+IFGP模型的输出列表在HR值和NDCG值上均有明显的提升。