随着互联网技术的飞速发展,诸如Amazon、e Bay、Tmall、美团和饿了么等互联网技术服务应用日益成为人们日常生活中的重要一环。这些应用在为人们提供便捷服务的同时,也产生大量的用户-物品、用户-用户和物品-物品的交互数据,而这些数据中往往隐藏着大量的用户个人偏好信息和用户个人行为信息。对这些丰富的隐藏信息通过数据挖掘的手段,可以量化一个用户的偏好、一个物品的属性以及用户与用户之间的信息传播影响关系。基于量化后的行为语义信息,可以广泛应用到个性化推荐、舆情监控、用户画像以及精准广告匹配等领域。在传统推荐领域,现有的基于评分行为的推荐模型不能很好的解决由于数据稀疏所导致的冷启动问题。用户和物品有着丰富的交互数据,但传统的推荐系统只局限于用户对物品的评分数据的处理,忽视了评论信息、浏览或购买物品的先后顺序以及用户的社交关系等交互信息。基于用户行为语义的模型可以有效捕捉用户的偏好和物品的属性,从而提升推荐系统的性能。相较于传统推荐领域,POI(Point of Information)推荐面临着庞大的不同类型数据的处理问题。因此,POI推荐的数据稀疏程度相较于传统推荐更高,冷启动问题更加严重。因此,基于综合利用LBSN(Location Based Social Network)数据的NextPOI推荐系统在近几年成为学术界与工业界的热门研究课题。针对上述推荐系统领域存在的两个问题,本文从以下两个方面进行研究:(1)基于注意力神经网络及用户行为的物品推荐。提出AT-UBM(Attention Neural Network for User Behavior Modeling)算法捕捉用户评论信息中的偏好,并结合用户购买行为预测用户下一个可能想要购买的商品。AT-UBM算法的主要思路是:将所有用户的评论通过一个神经网络过滤机过滤,筛选出对具有代表性的评论信息,再将评论信息输入到一个Attention神经网络赋予不同权重,最后挑选出具有代表性的词向量分别代表用户的评论特征和商品的评论特征。AT-UBM会将商品的评论特征按照用户访问顺序进行拼合(Concat),之后将这个矩阵与用户的评论特征拼合形成用户当前时间段的特征矩阵,并最终利用CNN神经网络提取用户特征并进行预测。真实数据集的实验结果表明,AT-UBM算法与现有算法(AT-Rank)相比,命中率有着6%～8%提高。(2)LBSN中基于图神经网络的POI推荐。LBSN图是一个异构图,其中包含大量异构数据。已有的基于LBSN的POI推荐系统通常将其拆分为多个同构网络进行学习,这样会导致大量异构信息的丢失。本文提出一种异构图嵌入学习模型SGBA(Social-Geographic Behavior Alliance model),此模型直接学习LBSN图上的POI嵌入表示。SGBA首先通过异构随机游走算法获得每个POI相关伪POI序列,再利用Word2vec生成POI嵌入。SGBA算法依据用户访问POI的时间和地理距离划分出不同的访问会话,并利用LSTM(Long Short-Term Memory)从不同会话尺度对用户访问序列进行学习。实验结果表明,SGBA算法与其他算法相比,在AUC(Area Under Curve)、Recall和ACC(Accuracy)上均有性能提升。其中,在Gowalla上相较于ST-RNN(Spatial Temporal Recurrent Neural Networks),AUC性能提升了3.4%,而在Brightkite上相较于ST-RNN,AUC性能提升了3.2%。