随着信息技术的发展,各大电子商务、社交平台陆续出现,产生大量的数据信息。然而在海量的数据面前,人们对于有效信息的获取却越来越困难,形成了信息过载。此时,推荐系统成为了缓解信息过载的重要方法。目前推荐系统中的FM类的CTR预估算法在推荐系统中显得越发重要,然而它在学习特征组合时,不能编码领域信息,FFM虽然能够编码领域信息,然而因为参数空间太大,导致线上服务不现实。针对这一需求,本文设计了一种新的点击率预估算法并且结合了用户向量特征,在平衡参数量和运算复杂度的情况下,改善了FM中的低阶特征组合不充分问题,并且向量特征能够编码更多用户信息,进一步提高了推荐系统的预测精度。重点研究内容如下:(1)利用用户互动行为进行多维度召回。用户之间的互动情况在一定程度上表现了用户的兴趣爱好。受词向量嵌入思想的启发将用户的ID特征和项目ID特征分别映射到低维稠密的向量空间中,得到用户ID特征和项目ID特征的向量化表示,通过计算向量特征的余弦相似度来计算用户ID与用户ID和项目ID与项目ID之间的相似性,提出了加入用户互动行为的多维度召回方法,主要包含用户对用户的互动行为、用户对项目的互动以及项目与项目之间三个维度生成的向量特征在召回中的应用。(2)构建了一种深度可伸缩因子分解机模型Deep Fa FM。该模型能够同时学习低阶和高阶特征组合并且具有端到端的训练方式,改善了Deep FM在运算中FM部分对于交叉特性学习不充分的问题,提高了模型的精度,并且Deep Fa FM具有可伸缩因子,可以根据实际生产情况动态平衡精度与运算压力,提高了模型的灵活性。(3)进一步在深度可伸缩因子分解机模型Deep Fa FM模型的基础上,引入了用户向量特征。通过构建用户互动行为列表,生成用户向量特征。在输入特征时通过判断特征类型,进一步改进深度可伸缩因子分解机模型Deep Fa FM。然后将用户向量特征和普通特征同时输入到深度可伸缩因子分解机Deep Fa FM模型中。结合了用户向量特征的模型能够编码更多用户信息,既充分考虑了词语的语义信息,又可以控制词向量的维度,进一步提高了模型的预测精度。