随着各大手机应用商店的移动应用快速增长,用户难以选择合适自己的移动应用。因此很有必要提供高质量的移动应用推荐机制,从而提升用户的良好体验。现有的移动应用推荐方法存在移动应用文本表征不够精确、忽略了移动应用的原始特征权重以及未考虑到用户与移动应用的深层次交互关系。为此,本文在内容层面提出两种大众化移动应用推荐方法,在用户交互关系层面提出一种个性化推荐方法用以解决上述问题。更具体来说,本文的研究内容如下:（1）针对文本表征不够精确,本文提出一种基于主题注意力和因子分解机的移动应用推荐方法。通过引入主题注意力机制,利用LSA的主题向量与Bi-LSTM的局部语义向量共同计算隐藏层的权重系数,得到更优的文本向量表征达到更好的分类效果。在此之上,可利用查询语句先定位到最相关的APP类别下,再通过因子分解机模型考虑特征之间的交互关系以提升APP的推荐精度。（2）至于移动应用自身的特征重要性,本文提出一种基于特征重要性的移动应用推荐方法。该模型利用SENET模块动态地学习特征的重要性,通过更复杂的双线性交互层来学习特征交互,最终形成的深度模型可以提升移动应用推荐模型的精度。（3）针对如何有效编码用户与移动应用之间的深层次交互关系,本文提出一种基于用户交互关系的移动应用推荐方法。该方法先构建用户与APP的二部交互图,通过嵌入传播层挖掘用户与APP之间的深层次交互关系,这样可以进一步细化APP与用户的表征。最后再使用内积计算用户对不同APP的偏好完成推荐任务。经过我们在Kaggle公开数据集上的验证,以上三种移动应用推荐方法与其各自的主流基线方法相比,均能取得较好的实验结果。