Hashtag是社交平台中常用的一种主题标签标注方式,它可有效地提高信息组织和信息检索的效率,从而提高社交平台的便捷性和易用性。标注Hashtag是一个繁琐费时的过程,因此社交平台用户大多都不愿主动对社交媒体信息进行Hashtag标注。针对此问题,利用已有的Hashtag标注信息,如何有效地推荐Hashtag已成为目前社交平台研究热点之一。大多数的Hashtag推荐方法都集中在文本内容的推荐任务上,而针对图像或者文本与图像结合的Hashtag推荐的工作相对较少。社交平台中的图像往往包含着丰富的语义信息,充分利用这些信息可以大大提高Hashtag的推荐性能。因此,有效地挖掘图像信息或图文结合信息与Hashtag之间的相关性显得尤为重要。基于此,针对两个不同社交场景下的Hashtag推荐问题,本文提出了多个基于深度学习注意力机制的推荐算法,并设计完成了一个个性化校园论坛系统。具体工作如下:(1)针对Instagram社交中的Hashtag推荐,本文设计了两种基于注意力机制的Hashtag推荐网络模型:Dual-Attention和Co-Attention模型。这两种框架分别使用两个不同场景下预训练的VGG-16模型提取图像特征,并使用注意力机制学习图像特征对Hashtag推荐的影响权重。在公开数据集HARRISON上进行的对比实验,验证了Dual-Attention和Co-Attention模型的可行性和有效性。(2)针对Twitter社交应用中社交信息的多模态性,提出一种基于多层次注意力机制的多模态Hashtag推荐模型。可以克服单模态信息无法全面表示微博内容的缺点,结合图像和文本信息,充分利用多层注意力机制提取低层次和高层次特征,可准确地挖掘微博的主题。在Twitter数据集上进行验证实验,验证了多层次注意力机制模型在Hashtag推荐中的有效性。(3)本文最后设计了一个个性化校园论坛系统,并将本文设计的Hashtag推荐算法应用到该论坛的算法模块中,完成系统整体框架及软件逻辑的设计,并设计对应的数据库模块,最后完成该论坛系统的开发、测试等工作。