随着人们的生活方式越加丰富,大规模的用户也产生了更大规模的应用数据。为了解决信息过载这一问题,推荐引擎也应运而生。但是就目前来看,大多数推荐算法都是直接将兴趣行为直接视为兴趣结果,而潜在的兴趣很难通过显性行为得到充分体现。大多数方法忽略了挖掘行为背后真正的用户兴趣,并且用户兴趣是不断变化的,获取兴趣之间的的动态关系对兴趣的表示非常重要。因此需要进一步的研究来解决这些问题。为了更好地捕捉用户兴趣之间的动态关系并且精确的预测用户兴趣的变化过程,系统提出使用深度兴趣演化网络（Deep Interest Evolution Network,DIEN）来捕捉兴趣之间的动态关系从而预测用户兴趣的演变过程。深度兴趣演化网络主要分为三层,第一层是行为序列层,主要将原始数据转换为Embedding行为序列。第二层是兴趣抽取层,该层的具体工作是模拟用户的潜在兴趣演变过程,然后提取用户的兴趣特征序列信息。第三层是兴趣进化层,在兴趣抽取层的基础上引入自注意力机制,更好的模拟与当前电影目标相关的兴趣进化过程。将改进后的算法和原算法进行对比试验,发现改进后的算法更能捕捉兴趣之间的动态关系。最后对其他几个主流的推荐算法进行了实验,通过对比分析发现改进后的算法比其他算法的精确度更高。最后论文基于提出的算法,设计并实现了一个线上推荐系统,它使用Spark平台来处理数据,然后使用Redis保存处理后的特征数据,最后将系统部署在Jetty上。经过对系统模块的测试,验证了该系统的可用性。