随着互联网的普及和信息技术的发展,人们在享受其带来的各种便利网络服务的同时也遭受无法一一辨别和筛选海量信息的困扰。推荐系统作为缓解信息过载的有效工具,被部署到各大网络平台中,用于改善用户体验并增加商家的收益。本文研究电商场景下基于用户兴趣偏好挖掘的推荐算法,用于提升推荐模型的点击率,缓解目标行为的数据稀疏性等问题。本文的主要研究工作如下:（1）用户在电商网站的一系列行为往往隐含着丰富的用户偏好信息,而这些行为由于用户兴趣的多样性和突发性而具有一定的不确定性,且用户交互下一个物品的过程也存在不确定性。确定性注意力机制仅仅在输出层体现出模型的随机性,但单一的输出层无法对用户历史行为序列中的不确定性进行有效的建模。且由于其将每个用户行为视为一个独立的个体,故无法捕捉到用户行为之间的层次依赖关系。针对上述问题,本文将贝叶斯注意力应用到推荐系统中,提出了基于贝叶斯注意力的推荐系统（BARS）。具体而言,本文将注意力权重视为数据依赖的局部随机变量,在贝叶斯框架下以近似其后验分布的方法来学习注意力分布,且引入了依赖于用户历史行为序列、含有上下文信息的先验分布来为注意力分布的学习提供经验不确定性以控制方差。而对于用户行为之间存在的顺序关系,本文使用Bi-LSTM来建模,使得当下用户的兴趣具有过去和未来的信息。在Advertising和Amazon数据集上的实验结果证明了本文提出的模型的有效性。（2）用户在同一时刻具有多重兴趣,并且不同的用户行为所反映的用户对物品的偏好程度并不相同。针对有效挖掘用户多行为数据的问题,本文提出了基于注意力网络和transfer的多行为模型（MBATT）。本文根据购物流程将用户行为进行排序,依次是浏览、加入购物车和购买。随着购物流程的推进,用户所付出的代价越来越大,交互数据越来越稀疏,故前序行为作为辅助行为可以缓解后序目标行为的数据稀疏性。而前序行为很可能由于用户的误操作导致其含有的噪声较大,故我们在所有行为中共享用户嵌入和物品嵌入,使得后续行为可以为前序行为提供指导,在一定程度上帮助前序行为去噪。在单一行为中,本文使用注意力网络聚焦到与用户兴趣相关的物品,在无意识的用户交互集合中挖掘出有意识的用户意图,使得压缩成的物品向量含有足够多可以代表用户兴趣的信息。接着使用矩阵分解预测用户交互下一个物品的可能性,并使用transfer实现用户行为之间的迁移。在贝贝和淘宝两个数据集上的实验结果证明了我们模型的合理性。