随着互联网技术的不断发展,用于解决信息过载问题的推荐算法已经应用于各大互联网平台,与人们的生活工作息息相关,因此对推荐算法的研究尤为重要。虽然推荐算法日趋成熟,但是基于评分预测的推荐算法大多存在两个问题:一是缺乏对时序信息的有效利用,导致推荐算法的准确性难以进一步提升;二是缺乏可解释性,导致用户在面对推荐结果时难以快速抉择。针对以上的问题,本文基于用户的历史行为数据,利用注意力机制、神经网络等技术,提出了相应的解决方案。其具体内容如下:(1)为了对时序信息进行有效利用,本文提出了一种基于Transformer的推荐算法,Transformer结构使用多头注意力机制,对序列数据有优秀的处理能力。算法在使用评分矩阵的基础上,通过构建用户的行为序列,增加了时序信息,利用Transformer结构来处理行为序列,以挖掘序列中物品之间的潜在关系,进而构建用户和物品向量,最后预测评分并产生推荐结果。(2)为了增加可解释性,本文提出了一种基于注意力和循环神经网络的可解释推荐算法。算法首先利用键值对注意力机制从评论数据中进行属性提取,获取全局信息;接着使用循环神经网络来处理评论数据并结合注意力机制,获取局部信息;然后,利用情感因素来衡量评论的重要性,进而为用户和物品构建向量表示;最后结合隐因子模型,进行评分预测并产生推荐结果,同时,根据提取的属性来提供细粒度的推荐解释。(3)本文利用公开的数据集,对本文提出的两个算法进行了综合实验与分析。通过参数影响实验确定了各个参数的取值。在对比实验中,将所提算法与多个经典的推荐算法进行了比较,实验结果表明在RMSE和MAE两个评价指标上,本文提出的两个算法具有更好的表现,证明了本文算法在评分预测上的优越性。