随着互联网技术的飞速发展,在为人们带来便利的同时,也产生了海量的数据,使人们面临选择困难的窘境。推荐系统能够根据用户画像,从海量信息中筛选出用户感兴趣的内容,产生个性化推荐列表给用户,从而有效解决信息过载问题。近年来,基于深度学习的推荐算法占据主导地位,在电影推荐中,引入深度学习模型来提取用户行为序列特征,精准刻画用户画像,有助于改善推荐效果。推荐系统的设计要兼顾准确性以及高效性,所以通常采用分级的过滤模型,将推荐过程分为召回和排序两个步骤,本文将针对这两个步骤,分别研究召回层和排序层的推荐算法。主要工作如下:（1）召回层模型研究:召回层的目标是快速从海量的物品集中召回用户可能感兴趣的物品,获取用户精准偏好是召回层面对的主要问题,本文提出了融合用户长短期偏好的召回模型。模型引入自注意力机制学习用户的短期兴趣偏好,采用门控循环神经网络学习其长期兴趣偏好,最后通过门控单元模块融合长短期兴趣。该模型能够准确、全面的刻画用户特征,从而产生更有价值的召回物品列表。在公开数据集上的实验表明,该模型在命中率（Hit Rate,HR）和归一化折扣累计增益（Normalized Discounted Cumulative Gain,NDCG）两个评价指标上取得了与当前同类模型相比较好的效果。（2）排序层模型研究:排序层的目标是对召回层初步筛选的候选物品进行精排序。本文采用基于用户历史行为序列的兴趣提取排序模型,利用深度神经网络充分挖掘用户行为序列中存在的动态变化信息。首先利用多头自注意力机制抽取用户的行为序列特征,再通过GRU网络进行序列交互建模,学习用户兴趣的动态变化,最后通过兴趣激活层,计算用户行为序列特征、用户兴趣交互特征对待推荐影片的影响程度。本文采用AUC值对模型进行评估,在公开数据集上的实验证明了该排序模型的有效性。（3）电影推荐系统设计:在本文算法研究的基础上,设计了一个电影推荐系统。首先将召回层模型和排序层模型部署到服务器端,然后采用Flask框架将模型封装为后台服务,并提供服务接口供应用层调用,最后设计了前端应用,能够调用本文研究的算法,为用户产生个性化电影推荐。在应用层首先使用召回模型为用户召回前K部感兴趣的影片,然后采用排序模型对这K部影片按照预测的点击率值进行排序,最后选出前N部影片作为推荐列表给用户。本文针对召回层、排序层面临的任务需求,提出了相应的模型。并应用提出的模型,设计了电影推荐系统。