电子商务的蓬勃发展为用户提供便利的同时也带来了信息过载的问题。推荐系统能够为用户筛选出少量其真正感兴趣的物品,缓解信息过载的问题。为同时兼顾效果和性能两个方面,一般会将整个推荐系统分为召回和排序两个阶段。其中召回阶段使用简单模型,在线性时间内将系统中与用户相关的物品尽可能多的找回,形成召回候选集;而排序阶段则可以使用复杂模型,对召回候选集进行点击率预测和排序,提高最终推荐效果。综上所述,本研究构建了多路召回模型和融合自注意力机制的点击率预测模型（ACDeep FM）,提升了推荐服务的性能和效果。最后设计并实现了商品个性化推荐系统。本研究实用性强,对提升用户体验、提高商家和平台的收益有重要意义。研究内容主要包括以下三个方面:（1）多路召回模型构建。针对传统召回模型召回方式单一,导致最终召回率较低的问题,本文构建了一种多路召回模型,该模型使用基于项目的协同过滤推荐、因子分解机算法和基于热度的推荐三种不同算法模型产生召回候选集,然后通过加权因子对每种策略的权重进行调节,形成最终召回列表后供后续模型使用。实验表明这些从不同角度设计的算法模型通过加权融合,保证了召回率接近理想的状态。（2）融合自注意力机制的商品点击率预测模型构建。现有点击率预测模型在对特征间交互关系进行建模形成组合特征时,大多忽略了特征间的内在相关性。为此本文提出了一种融合自注意力机制的商品点击率预测模型。该模型通过融合自注意力机制,对输入特征进行自适应的权重分配,再将输出结果与模型中的压缩交互网络模型、深度神经网络模型的输出结果进行拼接,经后续多层感知机层进一步学习出有意义的组合特征。在阿里天池移动推荐算法大赛数据集和Retailrocket两个公开数据集上实验表明,所提算法相对于极深因子分解机模型的AUC分别提升了0.7%和1.7%,证明了融合自注意力机制的商品点击率预测模型的有效性。（3）实现商品推荐系统。结合用户实际需求,将多路召回模型和融合自注意力机制的商品点击率预测模型应用在了商品推荐系统中。该系统基于Spring Boot和Mybatis框架开发,主要包括注册登录、用户行为收集及数据处理、推荐结果展示等模块。用户可以对系统中商品进行搜索、浏览、收藏、加入购物车、购买等操作,系统在对用户历史行为进行记录后,使用推荐模型进行分析处理,最后将经过模型筛选出的推荐商品列表返回给用户。