传统的协同过滤推荐算法通过分析用户的行为数据,挖掘用户的行为模式,对用户的兴趣进行建模,根据用户的兴趣偏好为目标用户推荐可能喜欢的物品,引导用户从大量选项中发现他们可能感兴趣的产品或服务。然而在计算项目之间相似度时只考虑历史项目的评分,而忽略了历史项目偏好对其的影响,以致于推荐精度不够理想,缺少个性化服务,推荐的可解释性较差。针对上述问题,提出了一种结合注意力机制和深度学习的电影推荐算法。考虑到传统的协同过滤缺少个性化的推荐,引入注意力机制分配个性化权重,使用多层感知器学习注意力,增加系统的灵活性和非线性。针对只有二进制0或1的隐性反馈问题,对用户历史偏好设计了项目级和特征级的注意力机制框架。首先,在特征级注意力框架上,从项目内容特征提取网络开始,学习项目特征的偏好;其次,将项目特征偏好与项目特征加权得到项目内容特征向量;最后,在项目级特征注意力框架中,通过项目内容特征向量学习对项目偏好的评分,从而产生最终的推荐结果。在MovieLens 100K和MovieLens 1M两个公开数据集的实验结果表明,本文算法提高了相似性计算的精度,同时在推荐准确率上较传统算法均有不同程度的提高,而且增强了个性化推荐的可解释性,表现出较为优越的推荐性能。该论文有图27幅,表9个,参考文献70篇。