推荐系统是机器学习乃至深度学习在工业界落地的主要场景。推荐系统是系统根据用户的属性、用户在系统里过去的行为、当前上下文环境以及物品内容本身,从而给用户推荐用户可能感兴趣的物品。而目前推荐方法仍存在个性化推荐不足、缺少可解释等问题。如何融合用户的多种异构数据做出细粒度、可解释性的推荐模型受到越来越多的关注。本文围绕着异构数据融合、多粒度兴趣预测、层次多样性推荐、可解释推荐等多角度展开研究和探索,提出了四种基于异构数据融合的推荐模型。主要内容如下:第一、针对当前大多数推荐系统仅对用户和物品等显式记录进行建模,而很少将交易生成的用户评论文本信息作为隐式信息融合到模型中的情况。本文提出了一种融合用户评论数据的推荐模型,模型充分利用了用户交易后的隐式反馈信息。首先,通过两个并行ON-LSTM模块对用户反馈的评论文本和产品描述信息进行建模,评论文本和产品描述信息分别可表示为用户偏好和物品属性。其次,通过引入一个图卷积神经网络将用户和物品以节点形式在图上进行空间卷积,以得到用户和物品之间复杂交互的空间特征表示。最后,通过多层感知机来拟合评分,得出预测结果。第二、针对多数推荐模型中缺少用户偏好的多层次、多粒度的情况。本文提出了一种基于胶囊网络及交互注意力的评分预测模型。设计出一种交互注意力机制,用于对用户与物品的上下文特征中细粒度的相关性进行建模。模型采用了一种反向动态路由,将用户和物品的上下文特征聚合成不同的胶囊特征用于评分预测。同时它的向量长度可以作为估计不同语义角度重要性的依据。这种建模方法有效地缓解了各个胶囊（用户方面偏好）之间的趋同现象,具有可解释性。第三、针对基于表示学习的推荐模型存在过度聚合的特征,由此导致评论中细粒度信息丢失的问题。本文提出了一种细粒度特征交互网络（FFIN）,用于评分预测模型。该模型并不是将用户的所有评论聚合成一个统一的向量,而是通过堆叠的扩展卷积,分层地为每个评论文本构建多层次表示。其次,在每个语义层次上构建用户和物品评论的细粒度特征交互。最后,通过类似于图像识别的层次结构来识别高阶显著信号,并将其用于最终的评分预测。该模型突出了评论信息的价值,提高了评分预测的可解释性。第四、针对个性化推荐缺少可解释性的问题。本文提出了一种基于异构数据融合的可解释个性化推荐方法。首先,在原始数据层面,模型选择用户编号作为用户的特征表示,同时,加入了用户拍摄的图片数据以作支撑,拍摄照片在一定程度上可以解释用户的偏好;在模型层面,用户特征表示模块将用户编号进行嵌入编码,并获得表示,图像信息提取模块提取图像中的视觉特征信息。其次,模型通过特征强化模块进一步加强用户的特征信息。最终,预测模块通过计算预测出符合当前用户偏好的图像。这种方法利用图像数据在标准数据集上对用户的偏好进行验证,增强了模型的可解释性和可靠性。该论文有图38幅,表15个,参考文献133篇。