近年来,随着互联网的普及,线上产生的数据呈爆炸式增长。在此背景下,推荐系统因其对信息的主动筛选能力,成为解决“信息过载”问题的一种有效手段,被广泛应用于各大领域。但是,已有的推荐系统还面临着许多挑战,比如冷启动、数据稀疏性以及算法可扩展性等。作为推荐系统的核心,推荐算法性能的好坏直接影响整个系统的质量。针对现有推荐算法中存在的冷启动和数据稀疏性等问题,本文采用基于深度学习技术的方法和注意力机制来改善这些问题,以提高推荐的准确性。主要的工作体现在以下三个方面:(1)研究基于卷积神经网络回归器的时间感知推荐算法(A Time-aware Recommendation Algorithm Based on Convolutional Neural Network Regressor,TCNNR)。TCNNR算法融合了卷积神经网络和随机森林回归器,并在算法中引入时间信息,构建了一个可以同时学习文本、非文本以及时间信息的评分预测模型。在Movielens数据集上的实验结果显示,TCNNR算法的准确性要明显优于多种基线推荐算法。(2)研究基于双层注意力机制的时间感知推荐算法(A Time-aware Recommendation Algorithm Based on Dual-Attention Mechanism,DAMTR)。DAMTR算法构建了两个并行的网络分别处理用户评论文本和项目评论文本,并在网络中添加双层注意力机制和时间因子来改进算法。该算法可以从评论文本中提取项目特征和用户偏好,并考虑用户偏好随着时间衰减的现象。在含有评论文本的Amazon数据集上进行实验,其实验结果显示,DAMTR算法在评分预测方面确实是有效的,其准确性要优于多种主流方法。(3)设计并实现基于DAMTR算法的个性化电影推荐系统。本文从用户的需求出发,进行需求分析和系统设计,并选择目前流行的Springboot等框架实现该系统。该系统的实现不仅为用户选择电影提供了便利,而且也有助于DAMTR推荐算法的应用与改进。