推荐系统在互联网现代服务中发挥着越来越重要的作用,已经渗透到人们生活的方方面面,研究推荐模型有极高的社会价值。推荐模型应用前景广阔但发展任然面临着诸多挑战。例如传统推荐算法都是浅层模型,无法从海量数据中提取物品之间的高维隐形深层次特征。现有的基于深度学习的推荐模型提取的嵌入特征维度固定,无法个性化表示用户兴趣特征。而且现有的基线模型提取的用户兴趣特征向量结构受限不能拟合出用户兴趣随时间动态变化的过程,无法避免用户兴趣漂移的干扰。另外,现有的多数会话型推荐算法通常将整个用户行为序列作为整体且仅在特定单一空间使用注意力机制,无法在更细粒度上分析多维空间下用户行为在会话层面的隐性特征。为了解决上述问题,本文提出基于注意力机制的个性化推荐模型,本文的主要研究工作归纳如下:（1）研究基于注意力机制的深度兴趣进化推荐模型。针对现有基线推荐模型中存在的用户兴趣特征向量结构受限问题,本文提出一种基于注意力机制的深度兴趣进化推荐模型,设计兴趣提取层局部激活部分用户行为序列,充分挖掘用户与物品之间的隐性关系实现用户兴趣特征的个性化表示;设计兴趣进化层利用带注意力机制的双层门循环结构分层提取用户长短期兴趣特征,有效捕捉用户兴趣的演化过程。最后在不同评论数据集上进行对比实验,证明本文提出的推荐模型能够有效提升推荐效果。（2）研究多头自注意力会话型深度神经网络推荐模型。现有多数会话型推荐算法没有充分考虑多个不同空间下的深层维度隐性特征,针对此兴趣分析维度受限问题,本文提出多头自注意力会话型深度神经网络推荐模型,设计会话划分层引入会话内和会话间不同行为之间的顺序位置信息,设计会话兴趣交互层利用多头自注意力网络挖掘用户在会话中各行为间的多维隐性关系,接着在会话兴趣激活层结合上下文关系捕捉会话间用户兴趣的演化规律进行分块激活。最后在不同会话数据集上进行对比实验,证明本文提出的推荐模型能够有效提升推荐效果。