随着电子商务与短视频业务的快速扩增,互联网空间中各种数据信息呈现指数式增长,“信息过载”已经成为人们在当今时代面临的巨大挑战。推荐系统的出现极大的缓解了这个困难。推荐系统以优化用户体验、提高商户利润为目标,在系统中通过分析用户行为日志,构建出用户画像信息,进而主动产生推荐结果。虽然目前推荐系统已取得一定的进展,但其仍然在冷启动问题、共现矩阵稀疏、跟踪用户兴趣变化等方面面临巨大挑战。为缓解上述问题对推荐系统的影响,本文从画像信息出发,将画像信息拆分为行为画像与属性画像两部分。利用自编码器模型提取出共现矩阵中有效的信息,降低共现矩阵稀疏对算法的影响,同时生成行为画像。利用语义嵌入模型将用户人口统计信息、物品描述信息等编码为向量,生成属性画像,缓解冷启动对推荐算法的影响。在协同过滤思想的启发下,在用户画像、物品画像基础上分别提出了UPHR算法与IPHR算法。同时,本文探究了将UPHR算法与IPHR算法融合的两种方式,分别为加权法与逻辑回归法,提出了UP-IPHR算法。另外,为进一步提高模型的可解释性,细化用户画像信息,本文从行为画像与兴趣变化两方面对UPHR算法模型进行改进,提出了T-UPHR算法。首先,该算法将注意力机制、强化学习的思想引入到UPHR算法中,挖掘影响用户做出选择的重要属性,细化用户行为画像信息。其次,该算法将艾宾浩斯遗忘曲线、时间上下文信息引入到推荐模型当中,改善了传统推荐模型难以跟踪用户兴趣变化的缺陷,从而提高模型推荐质量。综上所述,基于画像信息,本文共提出了四种推荐模型,分别为UPHR算法、IPHR算法、UP-IPHR算法以及T-UPHR算法。在四种公开推荐数据集上的实验结果表明,本文所提出的三种算法（UPHR算法、UP-IPHR算法以及T-UPHR算法）能够较好地缓解冷启动问题与共现矩阵稀疏对推荐算法的影响,在精确率与召回率上表现优于经典的推荐算法模型与基于深度学习的Top-N推荐模型。