随着互联网的普及,以互联网为载体的信息大量出现,这些信息虽然能够满足用户更多的需求,但是由于信息的爆炸式增长,用户想要在海量的数据中获取自己想要的信息变的越来越困难,即虽然信息的数量增加了,但是信息的利用率却大大降低了,这就导致了信息的超载问题。推荐系统是解决信息超载问题的一种常用手段,往往承担着信息过滤的责任,需要在海量的信息中挑选用户感兴趣的。推荐系统是可以根据用户的特征,信息的属性,用户的历史记录,将其感兴趣的信息和产品推荐给用户的个性化系统。与搜索引擎不同的是,推荐系统会通过用户的行为,进行个性化计算得出用户的兴趣,从众多的候选集中挑选用户感兴趣的内容,从而减少用户的搜索时间,增加信息的利用率。个性化的推荐服务是推荐系统的主要作用,一个好的推荐系统能够使用户对它产生依赖。广告推荐系统是推荐系统的一个重要分支,近些年,学术界科研人员不断地提出专门针对广告推荐场景的模型。在工业界,由于广告推荐能够产生大量的利润,也得到了广泛的关注。广告推荐系统通过分析用户的兴趣以及广告的特征,向用户推荐其感兴趣的广告。论文首先介绍了广告推荐系统的相关概念和研究现状,之后介绍了常用的推荐模型。然后提出了一种基于图嵌入的深度学习广告推荐模型。首先通过用户历史对广告的兴趣构造以广告为节点的图,之后通过图嵌入算法将图中的节点映射成低维的向量,将图嵌入的输出作为深度学习模型的输入。最后通过实验对比其他主流的推荐模型,实验结果表明基于图嵌入的深度学习模型在广告推荐场景中表现最优,又通过实验对比了不同参数对于模型的影响,实验中所有指标的提升也证明了图嵌入算法对于广告推荐系统的有效性。最后对图嵌入的深度学习模型进行进一步的优化,引入注意力机制,将本来通过平均聚合的图嵌入的输出通过自适应的学习权重进行加权平均。算法在特征交叉之后再次引入注意力机制对特征交叉生成的向量做加权平均,注意力机制使得模型能够给予那些对于分类作用更大的部分一个更高的权重。注意力机制是通过神经网络实现的,为了降低它带来的过拟合风险,算法在注意力机制中加入正则化的方式解决过拟合的问题。最后通过实验对比发现加入了注意力机制之后模型的收敛速度更快,相比于之前的模型,所有指标都有一定的提升,通过实验对比发现注意力机制对参数是敏感的。