电子商务平台的快速增长为用户提供了前所未有的产品和服务,而这些平台的一个重要瓶颈是用户在做出决策前需要处理大量的冗余信息。这时,推荐系统的问世解决了该问题,并为用户提供了合适的项目,做出了理想的决定。推荐系统通过用户的历史购买行为充分挖掘用户的兴趣特点,再依据这些特点为用户进行决策和服务。但是随着网络技术的飞速发展,用户和项目的数量爆发式增长,又为推荐系统带来了冷启动和数据稀疏等问题。为此,研究者们展开了一系列的研究。在众多的推荐算法中,基于聚类的协同过滤推荐算法因其考虑了用户的社区关系并能减少推荐时长而深受大家欢迎。但是现有的基于演化聚类的算法存在着只依赖于单层网络,即受到单一节点的限制。并且没有将用户的注意力融入到推荐系统。此外,大多数用户相似度指标都局限于描述对称关系,而忽略了用户的偏好。针对以上问题,本文提出了基于异质网络和注意力机制的演化聚类推荐算法。具体的研究内容如下:（1）基于异质双层网络向量动态演化聚类和注意力机制的个性化推荐算法。首先,本文在第三章中通过利用用户的属性信息、项目的属性信息和评分信息,并引入遗忘函数构造异质双层网络。其次,针对以往演化聚类的节点单一性和状态值是标量,不能充分代表网络节点的状态值问题,提出向动态演化聚类方法将用户和项目分别进行聚类,得到适合的用户社区和项目社区。接着,计算每个用户社区内的相似度矩阵,再接着通过提出的双层网络评分预测方法得到目标用户对目标项目的预测评分。最后,通过预测评分的高低将评分靠前的项目推荐给目标用户。本文提出的向量动态演化聚类方程可以通过Lyapunov理论证明其经过一段时间的震荡以后达到收敛状态。通过在三个数据集上与现有较优算法的对比实验结果表明,该算法在提高推荐性能上具有一定的优势,可以解决冷启动问题,并在一定程度上缓解数据稀疏性问题。（2）基于异质超图模型的博弈演化聚类和注意力机制的个性化推荐算法。针对第一个研究方法中的注意力机制和相似度度量方法没有考虑到用户的偏好,并且演化聚类时的状态值与上一次演化完的状态值是线性关系,其不符合实际情况等问题。本文在第四章中借助异质超图网络模型,提出基于用户评分矩阵的注意力机制得到更加符合实际情况的注意力矩阵。之后,通过融合博弈论中收益函数和演化聚类方程提出新的演化聚类方法,同时证明其稳定性。通过收益函数将用户从自身效应得来的收益值变得不再是线性,使得更加贴近超边模型演化。接着,通过超边聚类的结果和改进的相似度计算方法得到预测分数,从而进行基于用户的协同过滤推荐算法。最后,在四个不同规模、不同类型的数据集上与较优的聚类算法和推荐算法分别进行比较,实验结果表明,本文提出的算法在预测分数和推荐项目时都具有很大的优势。（3）基于异质超图模型的自适应演化聚类和注意力机制的个性化推荐算法。针对传统图网络中节点只存在成对关系,本文通过用户的历史评价信息在第五章中建立与第四章相同的异质超图模型,该模型除了表达节点成对关系,还包括大于两个节点的关系,使得算法挖掘出更加复杂的拓扑关系。其次,通过利用项目的属性信息和用户的评分矩阵提出新的注意力机制,得到非对称的注意力矩阵。接着,提出自适应的演化聚类方程,将注意力矩阵作为其聚类原则进行超边聚类。随后,提出基于用户偏好的相似度度量策略,在每个超边类内计算相似度矩阵。最后,根据目标用户超边与最近邻之间的相似度预测在测试集中用户对项目的评分。与较优算法的实验比较验证了本文提出的算法的有效性。从以上三个研究内容的相关实验和结果得出,本文的方法对解决冷启动,数据稀疏,实时性问题具有很大的帮助,并对降低预测误差和提高推荐精度有非常大的意义。