个性化推荐系统根据用户的过去行为与不同属性推荐其最有可能感兴趣的内容。给定已持有部分物品的用户,从物品候选集中预测将添加到用户购物篮里的下一个物品的过程被称为个性化购物篮项目推荐,该模式普遍存在于杂货店购物和在线电子商务中。在这种情景下,除了用户与目标物品间的交互信息外,零售平台还需要结合用户当前所持有的购物篮物品来进行联合推荐。购物篮推荐考虑了更完整的用户信息与购物意图,对用户与平台均有益处。传统推荐系统的研究主要集中在提高单个推荐物品的推荐准确率与响应时间上。实际上,用户购买商品是为了满足一类需求,而这通常需要提供多个关联项目。先前的相关工作大多通过关联规则挖掘来解决这个问题,对用户购物篮的表示方法以及不同实体间的高阶特征交互却没有进行更深入的研究。在这项工作中,本文提出了一个对用户购物篮敏感的深度因子分解机来解决这些问题,具体研究内容如下:（1）针对使用ID对购物篮进行编码可能造成特征学习过程中特征丢失的问题,本文使用购物篮的组成项目对其进行个性化表征学习。同时,探讨了不同的向量聚合方法对购物篮编码的影响。（2）针对未充分利用{用户,购物篮,目标物品}三个实体间存在的互补性或兼容性关系的问题,本文使用从购物篮中抽取的三元组,而不是传统推荐系统中使用的常规两元组进行关联建模。其中,对用户与目标物品间的关联进行建模是为了捕捉两者间的兼容性关系,对购物篮内的物品关联进行建模是为了捕捉篮内物品间的互补性关系,对购物篮内的物品与目标物品间的关联进行建模是为了捕捉项目间的一致性关系。同时,多关联建模可以有效地缓解数据稀疏性问题。（3）针对因式分解机对二阶以上的特征交互存在高计算复杂度的问题,在获得购物篮的个性化表示后,融入深度网络结合不同实体间的低阶特征和高阶特征模式来捕捉输入数据中的的复杂结构,最后使用仿射变换来整合不同模式的输出结果。在三个真实世界的数据集上进行的实验结果与统计显著性检验表明,本文的模型比最新的同类方法有更高的性能。